[论文解读] Context-aware PolyUNet for Liver and Lesion Segmentation from Abdominal CT Images

Liping Zhang, Simon C.H. Yu|arXiv (Cornell University)|Jun 21, 2021

Advanced Neural Network Applications参考文献 17被引用 4

一句话总结

该论文提出了一种上下文感知的PolyUNet，用于在腹部CT扫描中实现肝脏及肝脏病灶的精确分割，通过多项式方式组合多路径结构，并利用连续的t-相邻切片来增强空间上下文信息，同时降低GPU显存占用。采用缩放外推/内推与两阶段精细化策略，该方法在单模型下实现了最先进性能，在MICCAI 2017 LiTS挑战赛中，肝脏分割排名第三，病灶检测排名第二，病灶分割排名十二，肿瘤负荷估计排名第五。

ABSTRACT

Accurate liver and lesion segmentation from computed tomography (CT) images are highly demanded in clinical practice for assisting the diagnosis and assessment of hepatic tumor disease. However, automatic liver and lesion segmentation from contrast-enhanced CT volumes is extremely challenging due to the diversity in contrast, resolution, and quality of images. Previous methods based on UNet for 2D slice-by-slice or 3D volume-by-volume segmentation either lack sufficient spatial contexts or suffer from high GPU computational cost, which limits the performance. To tackle these issues, we propose a novel context-aware PolyUNet for accurate liver and lesion segmentation. It jointly explores structural diversity and consecutive t-adjacent slices to enrich feature expressive power and spatial contextual information while avoiding the overload of GPU memory consumption. In addition, we utilize zoom out/in and two-stage refinement strategy to exclude the irrelevant contexts and focus on the specific region for the fine-grained segmentation. Our method achieved very competitive performance at the MICCAI 2017 Liver Tumor Segmentation (LiTS) Challenge among all tasks with a single model and ranked the $3^{rd}$, $12^{th}$, $2^{nd}$, and $5^{th}$ places in the liver segmentation, lesion segmentation, lesion detection, and tumor burden estimation, respectively.

研究动机与目标

• 为解决增强对比度腹部CT扫描中肝脏与病灶自动分割的挑战，此类扫描常因组织对比度低、伪影多及成像变异性大而复杂化。
• 克服现有基于2D与3D UNet方法的局限性，这些方法或缺乏足够的空间上下文，或导致高计算成本与GPU显存占用。
• 通过多项式组合的多路径结构实现架构多样性，提升特征表示能力，并利用连续切片的时间-空间上下文，提高分割精度。
• 通过缩放外推/内推机制与两阶段精细化策略，排除无关的周围上下文，聚焦目标区域，从而优化分割结果。

提出的方法

• 所提出的上下文感知PolyUNet通过多项式组合方式集成多个并行路径，以增强特征表达能力，超越网络深度与宽度的限制。
• 采用UNet风格的长距离跳跃连接，融合低层与高层特征，保留空间分辨率，支持多尺度上下文学习。
• 网络利用t-相邻切片（如t-1、t、t+1）联合捕捉层内与层间的空间特征，有效在2D框架中建模3D上下文，降低计算负载。
• 应用缩放外推/内推策略以扩展感受野，随后对感兴趣区域进行精细化处理，有助于排除无关背景上下文。
• 采用两阶段精细化策略，逐步聚焦于病灶区域，提升定位精度与细粒度分割效果。
• 模型采用单个网络端到端训练，联合完成肝脏与病灶分割，最大限度减少推理开销与内存消耗。

实验结果

研究问题

• RQ1 基于2D的网络能否在不付出3D网络高计算成本的前提下，有效捕捉腹部CT容积中的3D空间上下文？
• RQ2 网络架构中的结构多样性在不同大小与形状的病灶下，如何提升肝脏与病灶分割的特征表示能力？
• RQ3 与单切片处理相比，连续的t-相邻切片在多大程度上能提升分割性能？
• RQ4 缩放外推/内推与两阶段精细化策略是否能有效抑制背景噪声，并改善小病灶或低对比度病灶的细粒度分割？
• RQ5 单模型方法是否能在多任务医学图像分割挑战中，于多个任务（肝脏分割、病灶分割、检测与肿瘤负荷估计）上均实现具有竞争力的性能？

主要发现

• 该方法在肝脏分割中取得了0.9600的Dice分数，在LiTS-MICCAI 2017挑战赛中所有参赛队伍中排名第三。
• 在病灶分割中，该方法取得了0.6200的Dice分数，位列所有提交结果中的第十二名。
• 在病灶检测中，该方法实现了0.446的召回率，在挑战赛中排名第二。
• 在肿瘤负荷估计中，该方法实现了0.0220的RMSE，位列所有队伍中的第五名。
• 该模型使用单一架构在所有四项任务中均表现出具有竞争力的性能，展现出在多样化分割挑战中的鲁棒性与泛化能力。