[论文解读] Deep Distance Transform for Tubular Structure Segmentation in CT Scans

Yan Wang, Wei Xu+6 more|arXiv (Cornell University)|Dec 6, 2019

Medical Image Segmentation Techniques参考文献 50被引用 7

一句话总结

本文提出深度距离变换（DDT），一种几何感知的深度学习方法，可联合预测CT扫描中管状结构的分割掩码与距离图。通过利用距离图重建形状先验，DDT提升了分割精度——胰腺导管分割的DSC提升超过13%——同时提供临床相关的横截面尺度测量。

ABSTRACT

Tubular structure segmentation in medical images, e.g., segmenting vessels in CT scans, serves as a vital step in the use of computers to aid in screening early stages of related diseases. But automatic tubular structure segmentation in CT scans is a challenging problem, due to issues such as poor contrast, noise and complicated background. A tubular structure usually has a cylinder-like shape which can be well represented by its skeleton and cross-sectional radii (scales). Inspired by this, we propose a geometry-aware tubular structure segmentation method, Deep Distance Transform (DDT), which combines intuitions from the classical distance transform for skeletonization and modern deep segmentation networks. DDT first learns a multi-task network to predict a segmentation mask for a tubular structure and a distance map. Each value in the map represents the distance from each tubular structure voxel to the tubular structure surface. Then the segmentation mask is refined by leveraging the shape prior reconstructed from the distance map. We apply our DDT on six medical image datasets. The experiments show that (1) DDT can boost tubular structure segmentation performance significantly (e.g., over 13% improvement measured by DSC for pancreatic duct segmentation), and (2) DDT additionally provides a geometrical measurement for a tubular structure, which is important for clinical diagnosis (e.g., the cross-sectional scale of a pancreatic duct can be an indicator for pancreatic cancer).

研究动机与目标

• 解决在低对比度、噪声大且背景复杂的CT扫描中准确分割管状结构的挑战。
• 克服现有基于学习的方法忽略圆柱形几何约束（如一致的横截面半径）的局限性。
• 通过使用可微分、几何感知的监督信号——距离变换，消除对难以推导的真值中心线的依赖。
• 在分割的同时提供临床有用的几何测量——横截面尺度，用于胰腺癌等疾病的诊断。

提出的方法

• 训练一个多任务深度神经网络，以预测3D CT扫描中管状结构的分割掩码与距离图。
• 利用距离图（每个体素值表示到最近表面的距离）隐式编码管状结构的中心线与半径。
• 通过识别距离图的脊线（局部最大值）从距离图重建形状先验，该脊线对应于中心线及其关联的半径。
• 利用重建的形状先验优化初始分割掩码，以增强几何一致性并提升精度。
• 将预测的最大距离（半径）作为临床指标，用于诊断胰腺导管扩张等病理情况。
• 端到端应用该方法，无需真值中心线，避免了传统中心线提取方法的不稳定性和误差。

实验结果

研究问题

• RQ1 深度学习模型能否联合预测分割与距离图，以提升在噪声大、对比度低的CT扫描中管状结构的分割性能？
• RQ2 将源自距离图的几何先验融入网络，是否能生成比标准分割网络更符合解剖学特征且更精确的分割结果？
• RQ3 预测的距离图能否提供临床有意义的测量（如横截面半径），用于诊断胰腺导管腺癌等疾病？
• RQ4 该方法能否通过识别扩张的导管（病理的间接指标）来检测此前遗漏的肿瘤？
• RQ5 在Dice相似系数与临床检测敏感性方面，DDT与最先进方法相比表现如何？

主要发现

• 与基线方法相比，DDT在胰腺导管分割中实现了超过13%的相对Dice相似系数（DSC）提升。
• 该方法通过识别扩张的导管，成功检测出8例此前遗漏的胰腺导管腺癌（PDAC）肿瘤中的4例，使漏诊病例从8例减少至4例。
• 将DDT与先前检测方法结合后，敏感性从94.1%提升至97.1%，特异性保持在98.5%。
• 预测的中心线上最大距离（半径）提供了可靠的几何测量——超过3个体素（≈1.5 mm）即提示可能存在导管扩张，这是PDAC的已知征象。
• 该方法可通过扩张导管缩小肿瘤搜索空间，使后续网络能聚焦于更小的高风险区域，从而提升检测精度。
• 该方法无需真值中心线，避免了传统3D中心线提取方法的不稳定性与误差，同时仍保持了高几何保真度。