[论文解读] Automatic Liver and Tumor Segmentation of CT and MRI Volumes using Cascaded Fully Convolutional Neural Networks

Patrick Ferdinand Christ, Florian Ettlinger+18 more|arXiv (Cornell University)|Feb 20, 2017

Radiomics and Machine Learning in Medical Imaging参考文献 30被引用 184

一句话总结

该论文引入带有3D稠密CRF后处理的级联完全卷积网络（CFCN），用于自动在CT和MRI体积中分割肝脏及肝病变，达成较高的Dice分数，并实现大规模分析的高效性。

ABSTRACT

Automatic segmentation of the liver and hepatic lesions is an important step towards deriving quantitative biomarkers for accurate clinical diagnosis and computer-aided decision support systems. This paper presents a method to automatically segment liver and lesions in CT and MRI abdomen images using cascaded fully convolutional neural networks (CFCNs) enabling the segmentation of a large-scale medical trial or quantitative image analysis. We train and cascade two FCNs for a combined segmentation of the liver and its lesions. In the first step, we train a FCN to segment the liver as ROI input for a second FCN. The second FCN solely segments lesions within the predicted liver ROIs of step 1. CFCN models were trained on an abdominal CT dataset comprising 100 hepatic tumor volumes. Validations on further datasets show that CFCN-based semantic liver and lesion segmentation achieves Dice scores over 94% for liver with computation times below 100s per volume. We further experimentally demonstrate the robustness of the proposed method on an 38 MRI liver tumor volumes and the public 3DIRCAD dataset.

研究动机与目标

• 在CT和MRI体积中实现肝脏及肝病变的全自动分割。
• 通过级联两个FCN（先分割肝脏，再在肝_roi内分割病变）来提高分割精度。
• 在异构数据集和成像模态（CT和DW-MRI）上提高鲁棒性。
• 提供后处理细化步骤（3D CRF）以提升分割质量。
• 提供开源模型以促进大规模研究中的复现和适配。

提出的方法

• 对CT进行HU窗宽处理，对MRI进行N4偏倨矫正及直方图均衡化。
• 训练两阶段级联FCN（先分割肝脏，后在肝ROI内分割病变）。
• 在交叉熵损失中应用类别平衡以应对严重的病变类别不平衡。
• 可选使用预训练U-Net模型的迁移学习来初始化网络。
• 用稠密3D条件随机场（MAP推断通过均场近似）对FCN输出进行细化。
• 使用Dice、VOE、RVD、ASD和MSD在CT、DW-MRI以及多中心数据集上进行评估。

实验结果

研究问题

• RQ1 级联FCN是否比单一FCN在肝脏和病变分割上更准确？
• RQ2 将病变分割限定在肝脏ROI对假阳性和整体Dice分数有何影响？
• RQ3 3D稠密CRF后处理是否在多模态和数据集上提升分割质量？
• RQ4 该方法在多中心临床数据中的CT和DW-MRI泛化能力如何？
• RQ5 有哪些开源资源和预训练模型能实现复现？

主要发现

• 级联FCN在CT中的肝脏Dice分数超过94%，每体积处理时间不到100秒。
• CFCN显著提升病变分割，相对于单一FCN架构，尤其在结合3D CRF后处理时。
• 在3DIRCAD CT数据上，级联U-Net的Dice为93.1%；加入3D CRF后提升至94.3%的Dice。
• 在临床CT数据集（100张扫描）上，Dice最高可达91%，参考的评估者间得分约95%；病变Dice为61%±25%（验证集），
• 在DW-MRI上，级联U-Net达到肝脏Dice 87%和病变Dice约69.7%均值。
• 该方法可泛化到MRI和弥散加权MRI，且训练好的模型对外公开发布。