[论文解读] Deep BV: A Fully Automated System for Brain Ventricle Localization and Segmentation in 3D Ultrasound Images of Embryonic Mice

Ziming Qiu, Jack Langerman+6 more|arXiv (Cornell University)|Nov 5, 2018

Fetal and Pediatric Neurological Disorders参考文献 22被引用 3

一句话总结

本论文提出 Deep BV，一种完全自动化的深度学习系统，用于在胚胎小鼠的 3D 高频超声（HFU）图像中定位和分割脑室（BV）。该方法采用两阶段策略：首先，通过滑动窗口推理，使用 3D 卷积神经网络（3D-CNN）在体积内定位 BV，随后利用全卷积网络（FCN）进行精确分割，最终在未见测试集上实现了 0.8956 的 Dice 相似度系数（DSC）——比先前最先进方法高出 25%。

ABSTRACT

Volumetric analysis of brain ventricle (BV) structure is a key tool in the study of central nervous system development in embryonic mice. High-frequency ultrasound (HFU) is the only non-invasive, real-time modality available for rapid volumetric imaging of embryos in utero. However, manual segmentation of the BV from HFU volumes is tedious, time-consuming, and requires specialized expertise. In this paper, we propose a novel deep learning based BV segmentation system for whole-body HFU images of mouse embryos. Our fully automated system consists of two modules: localization and segmentation. It first applies a volumetric convolutional neural network on a 3D sliding window over the entire volume to identify a 3D bounding box containing the entire BV. It then employs a fully convolutional network to segment the detected bounding box into BV and background. The system achieves a Dice Similarity Coefficient (DSC) of 0.8956 for BV segmentation on an unseen 111 HFU volume test set surpassing the previous state-of-the-art method (DSC of 0.7119) by a margin of 25%.

研究动机与目标

• 解决在胚胎小鼠 3D 高频超声（HFU）图像中脑室分割的挑战，该过程传统上依赖人工操作，耗时且需要专业知识。
• 开发一种完全自动化的系统，消除在子宫内胚胎成像中对脑室定位与分割的人工干预。
• 在 3D HFU 体积背景下，实现超越现有最先进方法的分割精度。
• 实现高通量、可重复的脑室发育体积分析，以支持临床前神经发育研究。

提出的方法

• 在整个 3D HFU 体积上应用 3D 体积卷积神经网络（3D-CNN），通过滑动窗口方式检测一个包含脑室的 3D 包围框。
• 将检测到的包围框裁剪后输入全卷积网络（FCN），以实现脑室与背景的像素级分割。
• 系统通过标注的胚胎小鼠 3D HFU 体积进行端到端训练，损失函数针对分割精度进行了优化。
• 两阶段流程通过仅在感兴趣区域进行高分辨率分割，确保计算效率。
• 该方法通过 3D 卷积捕捉空间上下文和层次化特征学习，以识别低对比度超声数据中的复杂解剖结构。
• 该架构设计为对高频超声成像中常见的强度变化和噪声具有鲁棒性。

实验结果

研究问题

• RQ1 完全自动化的深度学习系统是否能在胚胎小鼠的 3D 高频超声图像中实现准确的脑室定位与分割？
• RQ2 所提出的两阶段 3D-CNN 与 FCN 流程在脑室分割方面的性能与现有最先进方法相比如何？
• RQ3 与传统分割方法相比，该系统在多大程度上减少了观察者间差异和人工工作量？
• RQ4 该系统是否能在无需微调的情况下泛化到未见过的 3D HFU 体积上？
• RQ5 在 3D 定位中使用滑动窗口方法对分割精度和计算效率有何影响？

主要发现

• 所提出的 Deep BV 系统在 111 个 3D HFU 体积的未见测试集上实现了 0.8956 的 Dice 相似度系数（DSC），显著优于先前最先进方法的 DSC 0.7119。
• DSC 的提升代表分割精度相对提高了 25%，证明了两阶段 3D-CNN 与 FCN 架构的有效性。
• 该系统在全部 111 个体测试体积中均无需人工干预即成功完成脑室的定位与分割，证实了其鲁棒性与自动化能力。
• 采用 3D 滑动窗口进行定位显著降低了计算开销，通过将高分辨率分割聚焦于相关感兴趣区域。
• 该方法在未见数据上表现出强大的泛化能力，表明其在大规模发育神经影像学研究中的应用潜力。
• 结果验证了深度学习在克服胚胎成像中低对比度、噪声干扰的 3D 超声数据挑战方面的实用性。