[论文解读] Capsule Networks for Brain Tumor Classification based on MRI Images and Course Tumor Boundaries

Parnian Afshar, Konstantinos N. Plataniotis+1 more|arXiv (Cornell University)|Nov 1, 2018

Brain Tumor Detection and Classification被引用 15

一句话总结

本文提出了一种改进的胶囊网络（CapsNet）架构，通过将粗略的肿瘤边界作为额外输入，以提升从MRI图像中进行脑肿瘤分类的性能。通过引入边界上下文增强空间感知能力，该模型实现了90.89%的准确率，显著优于标准CapsNet和CNN，同时减少了对精确肿瘤分割的依赖。

ABSTRACT

According to official statistics, cancer is considered as the second leading cause of human fatalities. Among different types of cancer, brain tumor is seen as one of the deadliest forms due to its aggressive nature, heterogeneous characteristics, and low relative survival rate. Determining the type of brain tumor has significant impact on the treatment choice and patient's survival. Human-centered diagnosis is typically error-prone and unreliable resulting in a recent surge of interest to automatize this process using convolutional neural networks (CNNs). CNNs, however, fail to fully utilize spatial relations, which is particularly harmful for tumor classification, as the relation between the tumor and its surrounding tissue is a critical indicator of the tumor's type. In our recent work, we have incorporated newly developed CapsNets to overcome this shortcoming. CapsNets are, however, highly sensitive to the miscellaneous image background. The paper addresses this gap. The main contribution is to equip CapsNet with access to the tumor surrounding tissues, without distracting it from the main target. A modified CapsNet architecture is, therefore, proposed for brain tumor classification, which takes the tumor coarse boundaries as extra inputs within its pipeline to increase the CapsNet's focus. The proposed approach noticeably outperforms its counterparts.

研究动机与目标

• 解决CapsNet在捕捉肿瘤与周围组织之间空间关系方面的局限性，这对准确分类至关重要。
• 通过将粗略肿瘤边界作为辅助输入，克服CapsNet对MRI图像中背景杂波的敏感性。
• 消除临床实践中耗时且易受观察者间差异影响的精确肿瘤分割需求。
• 通过边界感知路由机制利用空间上下文，提升分类性能，超越现有CNN和CapsNet变体。
• 增强模型在医学诊断中的鲁棒性与可解释性，因为可靠且可解释的预测至关重要。

提出的方法

• 提出一种改进的CapsNet架构，同时接收原始MRI脑部图像和粗略肿瘤边界掩码作为双输入。
• 采用基于一致性的路由机制，使低层胶囊能够预测高层胶囊的输出，从而增强对相关空间特征的关注。
• 通过拼接或注意力门机制整合边界信息，引导网络聚焦于肿瘤-组织相互作用。
• 采用混合损失函数，结合胶囊边缘损失（公式7）和交叉熵损失（公式8），通过γ = 0.1进行加权，以平衡两者贡献。
• 使用Adam优化器进行端到端训练，训练50个周期，批量大小为16，路由迭代3次。
• 应用数据增强和归一化技术，以提升3064张图像的MRI数据集上的泛化能力与训练稳定性。

实验结果

研究问题

• RQ1 在MRI扫描中，结合粗略肿瘤边界是否能提升CapsNet对脑肿瘤分类的性能？
• RQ2 与标准方法相比，所提出的边界增强CapsNet是否降低了对精确肿瘤分割的依赖？
• RQ3 在准确率与鲁棒性方面，所提出的CapsNet相较于标准CapsNet和CNN的性能如何？
• RQ4 从肿瘤边界中引入的空间上下文在多大程度上增强了模型区分不同肿瘤类型的能力？
• RQ5 改进后的CapsNet是否能在提升分类准确率的同时保持高可解释性？

主要发现

• 所提出的CapsNet架构在同时输入MRI图像和粗略肿瘤边界时，实现了90.89%的分类准确率，优于所有基线模型。
• 该模型比表现最佳的基线方法——加入边界输入的改进CNN——高出2.56个百分点（准确率为88.33%）。
• 仅使用分割后的肿瘤作为输入的CapsNet达到了86.56%的准确率，表明边界上下文显著提升了性能。
• 仅使用原始MRI图像的原始CapsNet准确率为78%，凸显了空间上下文对肿瘤分类的重要性。
• 使用原始MRI图像的CNN基线准确率仅为61.97%，凸显了所提出CapsNet设计的优越性。
• 带有γ = 0.1的混合损失函数（公式8）有效平衡了胶囊损失与Softmax损失，有助于实现稳定且准确的训练。