[论文解读] Comparison of 2D vs. 3D U-Net Organ Segmentation in abdominal 3D CT images

Nico Zettler, André Mastmeyer|arXiv (Cornell University)|Jul 8, 2021

Advanced Neural Network Applications被引用 10

一句话总结

本研究比较了2D与3D U-Net架构在3D CT扫描中腹部器官分割的表现，采用器官特异性体素兴趣区域（VOI）裁剪以降低计算负载。2D U-Net在肝脏和肾脏分割中实现了相当或更优的Dice分数（最高提升6%），同时显著减少了GPU内存占用和训练时间，尽管其在3D数据上的理论性能较弱，但整体效率更高。

ABSTRACT

A two-step concept for 3D segmentation on 5 abdominal organs inside volumetric CT images is presented. First each relevant organ's volume of interest is extracted as bounding box. The extracted volume acts as input for a second stage, wherein two compared U-Nets with different architectural dimensions re-construct an organ segmentation as label mask. In this work, we focus on comparing 2D U-Nets vs. 3D U-Net counterparts. Our initial results indicate Dice improvements of about 6\% at maximum. In this study to our surprise, liver and kidneys for instance were tackled significantly better using the faster and GPU-memory saving 2D U-Nets. For other abdominal key organs, there were no significant differences, but we observe highly significant advantages for the 2D U-Net in terms of GPU computational efforts for all organs under study.

研究动机与目标

• 评估2D U-Net是否能在3D数据上实现优于3D U-Net的性能，尽管后者在理论上更适合3D数据。
• 通过聚焦器官特异性VOI，降低3D医学图像分割中的计算与内存开销。
• 基于器官类型、训练数据量和硬件限制，提供基于数据的架构选择建议。
• 研究3D U-Net与2D U-Net在分割精度与GPU效率之间的权衡。
• 确定2D U-Net在经过优化预处理后，是否能在胰腺等具有挑战性的腹部器官上实现竞争性或更优的性能。

提出的方法

• 从80例腹部CT扫描中提取器官特异性3D体素兴趣区域（VOI）边界框，以定位训练与推理到相关区域。
• 在每个VOI内，基于冠状面切片训练并评估2D与3D U-Net架构，其中2D U-Net用于2D切片，3D U-Net用于3D体素。
• 应用标准U-Net跳跃连接和损失函数（如Dice损失）以实现肝脏、脾脏、肾脏和胰腺的语义分割。
• 为确保公平比较，3D U-Net的输入尺寸固定为96×96×96体素，2D U-Net的输入尺寸固定为96×96像素。
• 对Dice分数、中位数、四分位距（IQR）和异常值数量进行统计分析，以比较不同器官上的模型性能。
• 测量GPU内存消耗和训练时间，以评估计算效率。

实验结果

研究问题

• RQ1 2D U-Net在3D CT图像中对关键腹部器官的分割精度是否与3D U-Net相当或更优？
• RQ2 2D与3D U-Net架构在分割性能与计算效率（GPU内存与训练时间）之间存在何种权衡？
• RQ3 在肝脏、脾脏、肾脏和胰腺中，2D U-Net在Dice分数和鲁棒性方面对哪些器官表现优于3D U-Net？
• RQ4 3D U-Net是否仅在拥有足够多训练数据时才表现出显著优势，特别是对于如胰腺这类细长器官？
• RQ5 在GPU资源有限的临床环境中，2D U-Net是否可作为3D U-Net的可行替代方案？

主要发现

• 2D U-Net在肝脏和肾脏分割中相较3D U-Net最高实现了约6%的Dice分数提升。
• 2D U-Net在肝脏和肾脏分割中表现更优，具有更高的平均和中位Dice分数，且异常值更少。
• 2D U-Net显著减少了GPU内存占用，平均训练速度提升7%，可部署于2–4 GB GPU设备。
• 尽管差异未达统计显著性，3D U-Net在胰腺分割中表现出更高的中位Dice分数和更低的标准差。
• 2D U-Net在脾脏分割中展现出更好的鲁棒性，异常值更少，且中位性能稳定一致。
• 3D U-Net需要显著更多的计算资源，仅在当前数据条件下推荐用于胰腺分割，因其内存和训练成本更高。