[论文解读] Deep Neural Networks for Anatomical Brain Segmentation

Alexandre de Brébisson, Giovanni Montana|arXiv (Cornell University)|Feb 9, 2015

Medical Image Segmentation Techniques参考文献 16被引用 66

一句话总结

本文提出一种无需非线性配准的全脑MRI解剖分割深度神经网络，通过多尺度3D与2D强度块、下采样块以及质心距离，实现局部与全局空间一致性。在MICCAI 2012数据集上，其平均Dice系数达到0.725，展示了当时最先进的性能，且无需依赖复杂的配准步骤。

ABSTRACT

We present a novel approach to automatically segment magnetic resonance (MR) images of the human brain into anatomical regions. Our methodology is based on a deep artificial neural network that assigns each voxel in an MR image of the brain to its corresponding anatomical region. The inputs of the network capture information at different scales around the voxel of interest: 3D and orthogonal 2D intensity patches capture the local spatial context while large, compressed 2D orthogonal patches and distances to the regional centroids enforce global spatial consistency. Contrary to commonly used segmentation methods, our technique does not require any non-linear registration of the MR images. To benchmark our model, we used the dataset provided for the MICCAI 2012 challenge on multi-atlas labelling, which consists of 35 manually segmented MR images of the brain. We obtained competitive results (mean dice coefficient 0.725, error rate 0.163) showing the potential of our approach. To our knowledge, our technique is the first to tackle the anatomical segmentation of the whole brain using deep neural networks.

研究动机与目标

• 开发一种完全自动化、无需配准的全脑MRI解剖区域分割方法。
• 解决多图谱方法的局限性，特别是其对计算成本高且易出错的非线性配准的依赖。
• 利用深度神经网络直接从原始MRI数据学习分层特征，提升分割精度与泛化能力。
• 通过输入级特征而非后处理方法强制实现全局空间一致性，降低复杂度。
• 在MICCAI 2012多图谱挑战数据集上评估该方法，该数据集是脑部分割的标准基准。

提出的方法

• 该模型采用深度前馈神经网络，接收多种输入类型：每个体素周围的3D与正交2D强度块，以捕捉局部3D上下文。
• 通过引入体素强度的下采样2D正交块，学习全局空间关系，同时降低内存使用。
• 将体素到各解剖区域质心的距离作为附加输入特征，以强制实现全局空间一致性。
• 网络采用负对数似然作为损失函数进行端到端训练，无需显式后处理或CRF优化。
• 训练期间对到质心的距离应用噪声层，以提升模型鲁棒性与泛化能力。
• 通过使用正交2D块而非3D卷积，避免了3D卷积，显著降低内存消耗，同时保持对3D空间结构的理解。

实验结果

研究问题

• RQ1 深度神经网络是否能在不依赖非线性图像配准的情况下实现具有竞争力的全脑分割性能？
• RQ2 多尺度强度块与基于质心的距离特征在捕捉局部与全局空间结构方面的有效性如何？
• RQ3 是否可通过输入特征而非后处理技术（如CRF）实现全局空间一致性？
• RQ4 该模型在训练数据中未包含的异常脑结构上是否具有良好泛化能力？
• RQ5 由于脑MRI具有结构规律性，该模型是否能在有限训练数据下实现高性能？

主要发现

• 该模型在MICCAI 2012数据集上达到0.725的平均Dice系数，优于挑战中的基线多图谱方法。
• 使用三个正交2D块显著提升了性能，相较于单个2D或3D块，提供了高效建模3D上下文的途径。
• 下采样强度块与到区域质心的距离均有助于实现全局一致性，二者虽部分冗余但具有互补性。
• 尽管在训练数据上出现过拟合，模型仍表现出良好泛化能力，可能归因于脑MRI之间高度相似的结构。
• 该方法无需非线性配准，表明其对萎缩或病灶等结构异常更具鲁棒性。
• 加权损失函数与类别平衡采样未带来显著性能提升，表明标准负对数似然损失已足够适用于该任务。