[论文解读] Boundary Aware Networks for Medical Image Segmentation.

Ali Hatamizadeh, Demetri Terzopoulos+1 more|arXiv (Cornell University)|Aug 21, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 9被引用 5

一句话总结

本文提出边界感知网络（BAN）用于医学图像分割，通过将专用的边缘分支和边界感知损失函数整合到全卷积网络中，以增强边界检测。在BraTS 2018数据集上的评估表明，BAN通过显式建模器官边界，提升了分割精度，优于标准CNN在捕捉精细解剖结构方面的能力。

ABSTRACT

Fully convolutional neural networks (CNNs) have proven to be effective at representing and classifying textural information, thus transforming image intensity into output class masks that achieve semantic image segmentation. In medical image analysis, however, expert manual segmentation often relies on the boundaries of anatomical structures of interest. We propose boundary aware CNNs for medical image segmentation. Our networks are designed to account for organ boundary information, both by providing a special network edge branch and edge-aware loss terms, and they are trainable end-to-end. We validate their effectiveness on the task of brain tumor segmentation using the BraTS 2018 dataset. Our experiments reveal that our approach yields more accurate segmentation results, which makes it promising for more extensive application to medical image segmentation.

研究动机与目标

• 通过显式建模解剖结构边界来提升医学图像分割性能，因为这些边界在专家手动分割中至关重要。
• 解决标准CNN在捕捉精确器官边界方面的局限性，尽管其在纹理和强度模式上表现优异。
• 开发一种端到端可训练的网络架构，联合优化语义分割与边界检测。
• 在真实世界的医学影像基准（特别是脑肿瘤分割）上验证边界感知学习的有效性。

提出的方法

• 提出双分支网络架构：一个主分割分支和一个专门用于检测器官边界的边缘分支。
• 应用边界感知损失函数，对边界预测误差进行惩罚，以促使分割掩码更加清晰和准确。
• 使用来自分割分支和边缘分支的联合损失，对整个网络进行端到端训练。
• 利用多尺度特征以增强边界表征并提高定位精度。
• 利用预测的边缘图作为辅助监督信号，以优化最终的分割输出。

实验结果

研究问题

• RQ1 显式建模器官边界是否能提升深度学习模型在医学图像分割中的精度？
• RQ2 引入专用边缘分支和边界感知损失对复杂医学影像任务的分割性能有何影响？
• RQ3 边界感知网络的端到端训练是否能带来比标准CNN更好的泛化能力与边界定位性能？

主要发现

• 所提出的边界感知网络在BraTS 2018数据集上的分割精度优于标准全卷积网络。
• 集成边缘分支和边界感知损失函数可生成更清晰、更符合解剖学意义的分割边界。
• 该模型在边界定位方面表现更优，这对需要精确肿瘤勾画的临床任务至关重要。
• 边界感知架构的端到端训练实现了分割与边缘检测的有效联合优化。