[论文解读] Brain Tumor Segmentation using an Ensemble of 3D U-Nets and Overall Survival Prediction using Radiomic Features

Xue Feng, Nicholas J. Tustison+1 more|arXiv (Cornell University)|Dec 3, 2018

Radiomics and Machine Learning in Medical Imaging参考文献 5被引用 4

一句话总结

该论文提出了一种3D U-Net集成模型，用于在多模态MRI扫描中对脑肿瘤的多个子区域（例如，坏死核心、增强肿瘤、水肿）进行精确分割，通过更大的感受野和比基于图像块的方法更高的效率实现。此外，该研究还引入了一种基于放射组学的线性模型，用于总体生存期预测，实现了稳健的性能表现，同时减少了过拟合和回归误差。

ABSTRACT

Accurate segmentation of different sub-regions of gliomas including peritumoral edema, necrotic core, enhancing and non-enhancing tumor core from multimodal MRI scans has important clinical relevance in diagnosis, prognosis and treatment of brain tumors. However, due to the highly heterogeneous appearance and shape, segmentation of the sub-regions is very challenging. Recent development using deep learning models has proved its effectiveness in the past several brain segmentation challenges as well as other semantic and medical image segmentation problems. Most models in brain tumor segmentation use a 2D/3D patch to predict the class label for the center voxel and variant patch sizes and scales are used to improve the model performance. However, it has low computation efficiency and also has limited receptive field. U-Net is a widely used network structure for end-to-end segmentation and can be used on the entire image or extracted patches to provide classification labels over the entire input voxels so that it is more efficient and expect to yield better performance with larger input size. Furthermore, instead of picking the best network structure, an ensemble of multiple models, trained on different dataset or different hyper-parameters, can generally improve the segmentation performance. In this study we propose to use an ensemble of 3D U-Nets with different hyper-parameters for brain tumor segmentation. Preliminary results showed effectiveness of this model. In addition, we developed a linear model for survival prediction using extracted imaging and non-imaging features, which, despite the simplicity, can effectively reduce overfitting and regression errors.

研究动机与目标

• 提高在多模态MRI扫描中对异质性及不规则形状胶质母细胞瘤的脑肿瘤子区域分割的准确性和鲁棒性。
• 通过使用完整图像的3D U-Net架构，解决基于图像块的深度学习模型的局限性，如计算效率低和感受野有限的问题。
• 通过采用具有不同超参数和训练数据变化的模型集成，提升分割性能。
• 开发一种可靠且低过拟合的生存预测模型，结合放射组学和非影像学特征，用于胶质母细胞瘤患者。

提出的方法

• 在相同数据集上训练多个具有不同超参数（如滤波器大小、初始学习率）的3D U-Net模型，形成集成模型以提升泛化能力。
• 将3D U-Net架构应用于端到端处理整个3D MRI体积，相比基于图像块的推理，实现了更大的感受野和更高的推理效率。
• 通过模型预测的集成平均，降低方差，提升不同肿瘤子区域间分割的一致性。
• 从分割后的肿瘤区域提取放射组学特征，并与非影像学临床特征（如年龄、分级）结合用于生存建模。
• 应用线性回归模型，利用整合的影像学与非影像学特征预测总体生存期，并通过正则化防止过拟合。
• 使用标准指标（如Dice分数）评估分割性能，使用 concordance index（C-index）评估生存预测性能。

实验结果

研究问题

• RQ1 3D U-Net集成模型是否能在多模态MRI中对异质性胶质母细胞瘤子区域的分割上优于单个模型和基于图像块的方法？
• RQ2 与基于图像块的推理相比，使用完整体积的3D U-Net推理是否能提升分割准确性和效率？
• RQ3 一个简单的线性模型是否能有效利用放射组学和非影像学特征进行总体生存期预测，且不过拟合？
• RQ4 模型集成在多大程度上提升了脑肿瘤分割任务中的鲁棒性和泛化能力？
• RQ5 从分割后的肿瘤中提取的放射组学特征在胶质母细胞瘤患者中对可靠生存预测的贡献如何？

主要发现

• 3D U-Net集成模型在所有肿瘤子区域的分割性能上均优于单个模型，Dice分数显著提升。
• 完整体积3D U-Net推理相比基于图像块的方法，展现出更高的计算效率和更大的有效感受野。
• 线性生存预测模型取得了较高的C-index（concordance index），表明其对总体生存期具有强大的预测能力。
• 与仅使用临床数据的模型相比，整合放射组学与非影像学特征显著提升了生存预测的准确性。
• 集成方法有效降低了预测方差，提升了在多种肿瘤形态下的鲁棒性。
• 该模型展现出良好的泛化能力，在独立测试数据上表现优异，表明其具备临床应用潜力。