[论文解读] DCAN: Deep Contour-Aware Networks for Accurate Gland Segmentation

Hao Chen, Xiaojuan Qi+2 more|arXiv (Cornell University)|Apr 10, 2016

AI in cancer detection参考文献 44被引用 130

一句话总结

DCAN 引入了一个具有多层上下文特征的深度轮廓感知网络，并在一个统一的多任务框架中加入轮廓监督分支，以在组织学图像中准确分割腺体并分离接触的腺体，在 MICCAI 2015 上取得了顶级表现。

ABSTRACT

The morphology of glands has been used routinely by pathologists to assess the malignancy degree of adenocarcinomas. Accurate segmentation of glands from histology images is a crucial step to obtain reliable morphological statistics for quantitative diagnosis. In this paper, we proposed an efficient deep contour-aware network (DCAN) to solve this challenging problem under a unified multi-task learning framework. In the proposed network, multi-level contextual features from the hierarchical architecture are explored with auxiliary supervision for accurate gland segmentation. When incorporated with multi-task regularization during the training, the discriminative capability of intermediate features can be further improved. Moreover, our network can not only output accurate probability maps of glands, but also depict clear contours simultaneously for separating clustered objects, which further boosts the gland segmentation performance. This unified framework can be efficient when applied to large-scale histopathological data without resorting to additional steps to generate contours based on low-level cues for post-separating. Our method won the 2015 MICCAI Gland Segmentation Challenge out of 13 competitive teams, surpassing all the other methods by a significant margin.

研究动机与目标

• 激励自动化、准确的腺体分割，以在良性和恶性病例的组织病理分析中提供帮助。
• 开发一个端到端的 FCN 基础框架，利用多层上下文特征实现对腺体的鲁棒界定。
• 通过一个深度轮廓感知多任务网络纳入轮廓信息，以分离相互接触的腺体对象。
• 实现迁移学习，以缓解医学训练数据有限的问题。
• 展示适用于大规模组织病理工作流程的高效性。

提出的方法

• 将全卷积网络（FCN）扩展为融合来自不同感受野的多层上下文特征，以生成像素级的腺体概率图。
• 添加辅助监督以稳定训练并提升深层特征的判别能力。
• 引入一个深度轮廓感知网络，具有用于腺体对象和轮廓的两条输出分支，共用下采样路径并在多任务损失中联合训练。
• 定义一个端到端损失，将正则化与学习到的逐像素腺体和轮廓预测相结合。
• 融合腺体对象和轮廓概率图，以在阈值 t_o 和 t_c 及后处理步骤下获得最终腺体分割。
• 通过使用 DeepLab/PASCAL-VOC 权重初始化下采样路径并在腺体数据集上进行微调来应用迁移学习。

实验结果

研究问题

• RQ1 多层上下文特征是否能在不同组织学等级下提高腺体分割的准确性？
• RQ2 将轮廓分支加入是否能比仅对象分割更有效地分离相互接触或聚集的腺体？
• RQ3 统一的多任务框架是否能够提供更快、更鲁棒的腺体分割，适用于大规模数据？
• RQ4 来自自然图像数据集的迁移学习对腺体分割性能有何影响？

主要发现

• 深度轮廓感知网络（DCAN）在 2015 MICCAI Gland Segmentation Challenge Part A 与 Part B 上实现了优越的检测与分割性能。
• 轮廓感知融合（CUMedVision2）在 Part A 的检测表现最佳，在 Part B 取得具有竞争力的结果，在 13 支队伍中实现总体排名第一。
• 基于对象的 Dice 与 Hausdorff 指标显示带轮廓引导的 DCAN 超越其他方法，在 Part A 的 Hausdorff 距离最小。
• 推理速度很快，平均每张 755×522 图像约 1.5 秒，使在大规模组织病理数据上的实际应用成为可能。
• 在 Titan X GPU 上训练时间约为四小时，展示了迁移学习下的高效优化。
• 消融分析证实轮廓信息在分离接触腺体方面有帮助，尤其是在良性病例中。