[论文解读] Deep Learning to Segment Pelvic Bones: Large-scale CT Datasets and Baseline Models

Pengbo Liu, Hu Han+10 more|arXiv (Cornell University)|Dec 16, 2020

Medical Imaging and Analysis参考文献 37被引用 7

一句话总结

本论文提出一个大规模、多源的骨盆CT数据集，包含1,184个体素（超过32万张切片），并提出一种用于腰椎、骶骨、左髋和右髋骨的深度多类别分割模型。在无金属伪影的扫描中，该模型的平均Dice分数达到0.987，并通过一种新颖的基于SDF的后处理模块提升了鲁棒性，与传统方法相比，Hausdorff距离降低了15.1%。

ABSTRACT

Purpose: Pelvic bone segmentation in CT has always been an essential step in clinical diagnosis and surgery planning of pelvic bone diseases. Existing methods for pelvic bone segmentation are either hand-crafted or semi-automatic and achieve limited accuracy when dealing with image appearance variations due to the multi-site domain shift, the presence of contrasted vessels, coprolith and chyme, bone fractures, low dose, metal artifacts, etc. Due to the lack of a large-scale pelvic CT dataset with annotations, deep learning methods are not fully explored. Methods: In this paper, we aim to bridge the data gap by curating a large pelvic CT dataset pooled from multiple sources and different manufacturers, including 1, 184 CT volumes and over 320, 000 slices with different resolutions and a variety of the above-mentioned appearance variations. Then we propose for the first time, to the best of our knowledge, to learn a deep multi-class network for segmenting lumbar spine, sacrum, left hip, and right hip, from multiple-domain images simultaneously to obtain more effective and robust feature representations. Finally, we introduce a post-processing tool based on the signed distance function (SDF) to eliminate false predictions while retaining correctly predicted bone fragments. Results: Extensive experiments on our dataset demonstrate the effectiveness of our automatic method, achieving an average Dice of 0.987 for a metal-free volume. SDF post-processor yields a decrease of 10.5% in hausdorff distance by maintaining important bone fragments in post-processing phase. Conclusion: We believe this large-scale dataset will promote the development of the whole community and plan to open source the images, annotations, codes, and trained baseline models at https://github.com/ICT-MIRACLE-lab/CTPelvic1K.

研究动机与目标

• 解决医学影像深度学习中缺乏大规模、多样化且开源的骨盆CT数据集的问题。
• 应对因图像外观差异（包括金属伪影、低剂量扫描、骨折和对比剂）带来的骨盆骨骼分割挑战。
• 开发一种深度多类别网络，从多源域CT扫描中联合分割四种骨盆骨骼结构（腰椎、骶骨、左髋和右髋）。
• 通过一种新颖的基于符号距离函数（SDF）的后处理模块，提升分割精度与鲁棒性。
• 建立基线系统，并发布数据集、标注、代码和训练好的模型，以加速骨盆解剖结构分割领域的研究。

提出的方法

• 从多个临床来源和扫描仪中整理出大规模骨盆CT数据集，包含1,184个体素，涵盖多种成像条件，如金属伪影、对比增强血管和低剂量扫描协议。
• 提出一种端到端训练的深度多类别分割网络，基于多源域CT数据学习在不同成像域间具有鲁棒性与泛化能力的特征。
• 设计一种基于符号距离函数（SDF）的新型后处理模块，用于优化分割掩膜，去除小碎片并提升边界精度。
• 在完整数据集上训练统一模型（记为Φ_ALL），并在子数据集上进行评估，以检验其在不同域和制造商间的泛化能力。
• 开展广泛的消融研究，包括留一法交叉验证和域泛化实验，以验证多源数据融合的有效性。
• 采用Dice系数（DC）和Hausdorff距离（HD）作为评估指标，SDF后处理模块显著降低了HD，同时保持了解剖结构的完整性。

实验结果

研究问题

• RQ1 大规模、多源的骨盆CT数据集能否提升深度学习模型在骨盆骨骼分割中的泛化能力与鲁棒性？
• RQ2 在复杂成像条件下，联合分割腰椎、骶骨及双侧髋骨的多类别分割方法是否优于单结构或二分类分割？
• RQ3 所提出的SDF后处理模块在多大程度上减少了分割误差，特别是在Hausdorff距离和小碎片去除方面？
• RQ4 与在单一子数据集上训练相比，在统一多域数据集上训练的模型在跨域泛化方面表现如何？
• RQ5 整合来自多样化临床中心和扫描仪的数据是否能缓解域偏移问题，并提升真实场景下的模型鲁棒性？

主要发现

• 所提出的深度多类别分割模型在无金属伪影的CT体素上实现了0.987的平均Dice系数，表现出高精度。
• 与传统MCR后处理模块相比，SDF后处理模块将Hausdorff距离降低了15.1%，显著提升了边界精度。
• 统一模型Φ_ALL在跨域评估中优于子数据集特定的模型，证实了多源数据融合的优势。
• 留一法交叉验证表明，基于五个子数据集训练的模型可泛化至第六个子数据集，且联合训练仅使用三分之一的数据量，性能即与Φ_ALL相当。
• 图5和图6的定性结果表明，SDF滤波能有效保留大范围解剖结构，同时去除虚假的小碎片。
• 数据集、代码、标注和训练好的模型已公开发布于 https://github.com/ICT-MIRACLE-lab/CTPelvic1K，支持可复现性与社区研究进展。