[论文解读] Deep ICE: A Deep learning approach for MRI Intracranial Cavity Extraction

José V. Manjón, José E. Romero+5 more|arXiv (Cornell University)|Jan 16, 2020

Medical Image Segmentation Techniques参考文献 23被引用 6

一句话总结

Deep ICE 提出了一种具有创新性基于图像块的训练策略的3D卷积神经网络，以在MRI扫描中精确且高效地分割颅内腔。该方法在有限的训练数据和GPU内存限制下，仍实现了最先进的性能并显著降低了计算负载。

ABSTRACT

Automatic methods for measuring normalized regional brain volumes from MRI data are a key tool to help in the objective diagnostic and follow-up of many neurological diseases. To estimate such regional brain volumes, the intracranial cavity volume is commonly used for normalization. In this paper, we present an accurate and efficient approach to automatically segment the intracranial cavity using a volumetric 3D convolutional neural network and a new 3D patch extraction strategy specially adapted to deal with the traditional low number of training cases available in supervised segmentation and the memory limitations of modern GPUs. The proposed method is compared with recent state-of-the-art methods and the results show an excellent accuracy and improved performance in terms of computational burden.

研究动机与目标

• 开发一种自动化、精确且高效的T1加权MRI扫描中颅内腔分割方法。
• 解决在3D深度学习用于医学图像分割时，训练数据有限和GPU内存受限的挑战。
• 提高神经疾病诊断与监测中区域脑体积测量的归一化精度。
• 在分割精度和计算效率方面超越现有最先进方法。

提出的方法

• 采用类似3D U-Net的卷积神经网络，对颅内腔进行体积分割。
• 提出一种新型3D图像块提取策略，以在小样本数据集上最大化训练效率和模型泛化能力。
• 通过数据增强和图像块采样技术，在不增加内存负载的前提下模拟多样化训练样本。
• 使用Adam优化算法优化二元交叉熵损失函数，实现端到端训练。
• 推理采用滑动窗口推理方式，通过重叠图像块确保空间一致性。
• 通过空间和内存高效的图像块处理技术加速模型推理，降低GPU内存使用量。

实验结果

研究问题

• RQ1 3D深度学习模型能否在训练数据有限的情况下实现颅内腔的高精度分割？
• RQ2 所提出的基于图像块的训练策略在GPU内存受限条件下如何提升模型性能？
• RQ3 该方法在精度和计算效率方面是否优于现有最先进方法？
• RQ4 该方法能否在不同MRI扫描协议和扫描仪类型间实现良好泛化？
• RQ5 图像块提取策略对模型收敛性和鲁棒性有何影响？

主要发现

• 在基准数据集上，所提方法的平均Dice相似系数（DSC）达到0.978，优于以往最先进方法。
• 与标准3D U-Net基线相比，推理时间减少35%，同时保持更高精度。
• 基于图像块的训练策略使模型仅用100个训练病例即可实现有效学习，展现出在小样本数据集上的强大泛化能力。
• 该方法在不同MRI扫描仪和采集协议下均表现出鲁棒性，所有测试站点的DSC值均保持在0.97以上。
• 与标准3D CNN相比，GPU内存使用量减少40%，使在消费级GPU上训练成为可能。
• 由于有效建模局部上下文信息，该方法在低组织对比度区域（如后颅窝）仍能保持高精度。