[论文解读] Deep LOGISMOS: Deep Learning Graph-based 3D Segmentation of Pancreatic Tumors on CT scans

Zhihui Guo, Ling Zhang+5 more|arXiv (Cornell University)|Jan 25, 2018

Advanced Neural Network Applications参考文献 1被引用 13

一句话总结

该论文提出 Deep LOGISMOS，一种结合深度学习与图模型的方法，用于 CT 扫描中胰腺肿瘤的 3D 分割。该方法利用上下文 UNet 来捕捉切片内与切片间的上下文信息，通过高斯混合模型（GMM）和形态学操作对预测结果进行优化，并将 UNet 生成的概率图作为节点代价输入 LOGISMOS，利用最大流算法实现全局最优分割。该方法在 DSC 为 83.2% ± 7.8%、RVD 为 18.6% ± 17.4% 的表现下，显著优于单独使用 UNet 或 LOGISMOS 的方法。

ABSTRACT

This paper reports Deep LOGISMOS approach to 3D tumor segmentation by incorporating boundary information derived from deep contextual learning to LOGISMOS - layered optimal graph image segmentation of multiple objects and surfaces. Accurate and reliable tumor segmentation is essential to tumor growth analysis and treatment selection. A fully convolutional network (FCN), UNet, is first trained using three adjacent 2D patches centered at the tumor, providing contextual UNet segmentation and probability map for each 2D patch. The UNet segmentation is then refined by Gaussian Mixture Model (GMM) and morphological operations. The refined UNet segmentation is used to provide the initial shape boundary to build a segmentation graph. The cost for each node of the graph is determined by the UNet probability maps. Finally, a max-flow algorithm is employed to find the globally optimal solution thus obtaining the final segmentation. For evaluation, we applied the method to pancreatic tumor segmentation on a dataset of 51 CT scans, among which 30 scans were used for training and 21 for testing. With Deep LOGISMOS, DICE Similarity Coefficient (DSC) and Relative Volume Difference (RVD) reached 83.2+-7.8% and 18.6+-17.4% respectively, both are significantly improved (p<0.05) compared with contextual UNet and/or LOGISMOS alone.

研究动机与目标

• 提升胰腺 CT 扫描中 3D 肿瘤分割的准确性，以支持可靠的肿瘤生长分析与治疗方案规划。
• 通过使用三张相邻 2D 切片的上下文 UNet 架构，解决 2D UNet 无法利用切片间上下文信息的局限性。
• 通过使用深度学习生成的概率图作为节点代价，克服 LOGISMOS 对手动初始化和手工设计代价的依赖。
• 通过最大流算法整合深度特征与几何平滑性约束，实现全局最优分割。

提出的方法

• 在以肿瘤为中心的三张相邻 2D 切片上训练上下文 UNet，生成概率图与初始分割结果。
• 利用高斯混合模型（GMM）对 UNet 输出进行优化，以去除假阳性，并通过形态学操作保留最大连通区域。
• 以优化后的 UNet 分割结果作为初始形状先验，构建分割图。
• 图中节点代价由 UNet 概率值之和减去 0.5 得到，通过公式 (1) 将基于区域的似然性转换为基于边界的代价：$ c_{n_{k,j}} = -\sum_{i=1}^{j}(p(n_{k,i})-0.5) $。
• 通过最大流算法计算最终分割结果，以在平滑性约束下获得全局最优解。
• 该方法在 51 例 CT 扫描上进行评估，其中 30 例用于训练，21 例用于测试，采用 DSC 与 RVD 作为评价指标。

实验结果

研究问题

• RQ1 通过上下文 UNet 引入切片间上下文信息，是否能显著提升 3D 肿瘤分割性能，相比标准 2D UNet？
• RQ2 GMM 与形态学操作的优化是否能显著减少基于 UNet 的肿瘤分割中的假阳性？
• RQ3 深度学习生成的概率图能否有效替代 LOGISMOS 图框架中的手工设计特征作为代价？
• RQ4 将上下文 UNet 与 LOGISMOS 结合，是否能显著提升分割精度，优于任一方法单独使用？
• RQ5 所提出的 Deep LOGISMOS 框架是否能泛化至小尺寸或边界不清晰的肿瘤？

主要发现

• 上下文 UNet 实现 DSC 为 75.6% ± 16.6%，RVD 为 35.7% ± 29.7%，显著优于 2D UNet（DSC：72.8% ± 22.0%，RVD：42.5% ± 32.8%），p < 0.05。
• 经 GMM 与形态学操作优化后的 UNet 分割结果实现 DSC 为 81.6% ± 11.2%，RVD 为 26.1% ± 20.9%，显著优于未优化版本（p < 0.05）。
• Deep LOGISMOS 实现最高性能，DSC 为 83.2% ± 7.8%，RVD 为 18.6% ± 17.4%，显著优于优化后的上下文 UNet 与原始 LOGISMOS（p < 0.05）。
• 原始 LOGISMOS 完全未能检测到 3 个小型肿瘤，其余 18 个肿瘤的平均 DSC 为 70.4% ± 27.7%，RVD 为 35.4% ± 51.1%。
• 3D 视图的定性结果显示，Deep LOGISMOS 生成的分割结果比 UNet 或 LOGISMOS 单独使用时更平滑、更接近真实值。
• 该方法对图像噪声与弱边界具有鲁棒性，图优化机制确保了在几何与平滑性约束下的全局最优解。