[论文解读] Automatic Post-Stroke Lesion Segmentation on MR Images using 3D Residual Convolutional Neural Network

Naofumi Tomita, Steven Jiang+2 more|arXiv (Cornell University)|Nov 25, 2019

Acute Ischemic Stroke Management参考文献 26被引用 6

一句话总结

本研究提出一种结合新型缩放内窥策略的3D残差U-Net架构，用于在T1加权MRI扫描中自动分割慢性脑卒中后病灶。该模型在239例公开扫描数据上进行训练，平均Dice相似系数达到0.64（95%置信区间：0.51–0.76），在使用深度3D卷积神经网络与残差学习的基准数据集上展现出最先进性能。

ABSTRACT

In this paper, we demonstrate the feasibility and performance of deep residual neural networks for volumetric segmentation of irreversibly damaged brain tissue lesions on T1-weighted MRI scans for chronic stroke patients. A total of 239 T1-weighted MRI scans of chronic ischemic stroke patients from a public dataset were retrospectively analyzed by 3D deep convolutional segmentation models with residual learning, using a novel zoom-in&out strategy. Dice similarity coefficient (DSC), Average symmetric surface distance (ASSD), and Hausdorff distance (HD) of the identified lesions were measured by using the manual tracing of lesions as the reference standard. Bootstrapping was employed for all metrics to estimate 95% confidence intervals. The models were assessed on the test set of 31 scans. The average DSC was 0.64 (0.51-0.76) with a median of 0.78. ASSD and HD were 3.6 mm (1.7-6.2 mm) and 20.4 mm (10.0-33.3 mm), respectively. To the best of our knowledge, this performance is the highest achieved on this public dataset. The latest deep learning architecture and techniques were applied for 3D segmentation on MRI scans and demonstrated to be effective for volumetric segmentation of chronic ischemic stroke lesions.

研究动机与目标

• 开发一种基于深度学习的自动化方法，以实现对T1加权MRI扫描中慢性脑卒中后病灶的精确体积分割。
• 通过利用深度3D卷积神经网络，解决手动病灶分割中存在的高组内与组间变异问题。
• 通过引入残差学习与一种新型空间缩放内窥策略，提升局部特征捕捉能力，从而提高病灶分割精度。
• 使用标准指标（Dice、ASSD和Hausdorff距离）在公开数据集上评估模型性能。

提出的方法

• 采用带有残差块的3D U-Net架构，以支持在体素MRI数据上进行深层网络训练与特征学习。
• 应用一种新型缩放内窥策略，聚焦于病灶区域，通过增强关键区域的空间分辨率来提高定位精度。
• 集成残差连接以缓解梯度消失问题，并支持更深网络的训练。
• 采用随机梯度下降进行端到端训练，损失函数为交叉熵损失，并结合数据增强技术。
• 在31例扫描的测试集上执行推理，将预测结果与手动分割结果作为真实标签进行对比。
• 使用自助法（bootstrapping）计算所有评估指标的95%置信区间。

实验结果

研究问题

• RQ1 3D残差卷积神经网络能否在T1加权MRI扫描中实现对慢性脑卒中后病灶的鲁棒且精确的分割？
• RQ2 与标准3D U-Net方法相比，所提出的缩放内窥策略是否能提升病灶定位与分割性能？
• RQ3 该模型在公开慢性脑卒中MRI数据集上的表现如何？使用Dice、ASSD和HD等标准指标评估。
• RQ4 与以往最先进方法相比，该模型在病灶分割精度方面表现如何？

主要发现

• 在31例扫描的测试集中，所提模型的平均Dice相似系数（DSC）为0.64（95%置信区间：0.51–0.76）。
• 中位DSC为0.78，表明在病灶边界清晰的病例子集中表现优异。
• 平均对称表面距离（ASSD）为3.6 mm（95%置信区间：1.7–6.2 mm），表明与手动勾画结果在表面层面具有良好的对齐。
• Hausdorff距离（HD）为20.4 mm（95%置信区间：10.0–33.3 mm），表明病灶边界预测中存在偶尔的异常值。
• 据作者所知，该模型在该公开数据集上的表现是迄今为止报告的最高水平。
• 残差学习与缩放内窥策略的结合显著提升了分割精度与鲁棒性。