[论文解读] Deep Learning for Medical Image Segmentation

Matthew Lai|arXiv (Cornell University)|May 8, 2015

Advanced Neural Network Applications参考文献 26被引用 96

一句话总结

本文使用ADNI数据集，评估了2D、三平面（tri-planar）和3D卷积神经网络架构在MRI扫描中进行3D海马体分割的性能。结果表明，三平面方法在准确率与训练效率之间提供了最佳平衡，其性能优于标准2D切片方法，尽管在整体图像标注任务中仍不及3D网络，且计算成本更高。

ABSTRACT

This report provides an overview of the current state of the art deep learning architectures and optimisation techniques, and uses the ADNI hippocampus MRI dataset as an example to compare the effectiveness and efficiency of different convolutional architectures on the task of patch-based 3-dimensional hippocampal segmentation, which is important in the diagnosis of Alzheimer's Disease. We found that a slightly unconventional "stacked 2D" approach provides much better classification performance than simple 2D patches without requiring significantly more computational power. We also examined the popular "tri-planar" approach used in some recently published studies, and found that it provides much better results than the 2D approaches, but also with a moderate increase in computational power requirement. Finally, we evaluated a full 3D convolutional architecture, and found that it provides marginally better results than the tri-planar approach, but at the cost of a very significant increase in computational power requirement.

研究动机与目标

• 比较不同深度学习架构——堆叠2D、三平面和3D卷积网络——在MRI扫描中进行3D海马体分割的性能与效率。
• 评估这些架构在分类准确率、训练速度和计算成本之间的权衡。
• 探究尽管计算需求更高，3D网络是否在整体图像分割性能上优于2D或三平面方法。
• 探讨数据采样方式和类别不平衡对模型泛化能力及整个MRI体积中标注一致性的影响。

提出的方法

• 本研究使用ADNI海马体MRI数据集，并采用基于切片的训练方法，分别应用2D、三平面和3D卷积架构。
• 对于堆叠2D方法，从轴向、冠状和矢状三个平面中独立处理多个2D切片，然后在最终分类前进行拼接。
• 三平面方法将所有三个正交2D切片同时作为输入通道输入，以保留各平面之间的空间上下文信息。
• 3D方法使用体素切片，通过完整的3D卷积捕捉三维空间关系。
• 所有模型均使用随机梯度下降进行训练，采用批量归一化和ReLU激活函数，评估指标包括Dice分数以及误报/误报体素数量。
• 对分割输出应用后处理以优化结果，并采用多次随机初始化以评估模型的一致性。

实验结果

研究问题

• RQ1 三平面卷积架构是否在海马体分割任务中相比标准2D切片网络提供了更优的准确率-计算成本权衡？
• RQ2 在切片级别分类和整体图像标注准确率方面，完整3D卷积网络与2D及三平面方法相比表现如何？
• RQ3 为何3D网络尽管在切片级别表现更优，却在整体图像分割中表现不如三平面方法？
• RQ4 采样切片中类别分布的不平衡在多大程度上影响了不同架构下分割结果的一致性与可靠性？

主要发现

• 三平面方法在性能与训练效率之间实现了最佳平衡，测试误差为8.64%，训练速度约为每分钟221次迭代。
• 2D堆叠切片方法训练速度最快（约每分钟754次迭代），但测试误差最高（9.11%），表明准确率较低。
• 3D网络在切片级别误差最低（6.95%），但在整体图像标注中表现不一致，误报和误报体素数量高于三平面方法。
• 尽管在切片分类中表现更优，3D模型在整体图像分割中表现更差，可能由于切片采样偏差导致的类别分布偏移。
• 相同架构的多次运行显示出一致的验证与测试性能，但图像级别标注结果差异显著，表明对采样切片中的类别不平衡敏感。
• 3D网络的训练时间显著更长（最高达301.54分钟），远超三平面方法（187.57分钟）和2D方法（42.06分钟），表明其计算成本极高。