[论文解读] Deep Supervision for Pancreatic Cyst Segmentation in Abdominal CT Scans

Yuyin Zhou, Lingxi Xie+2 more|arXiv (Cornell University)|Jun 22, 2017

Advanced Neural Network Applications参考文献 12被引用 19

一句话总结

本文提出一种用于腹部CT扫描中胰腺囊肿自动分割的深度监督方法，利用胰腺分割作为监督信号以提升囊肿定位精度。通过将任务分解为两个阶段——胰腺检测后接囊肿分割——该方法在推理过程中无需人工干预即可实现63.44%的Dice-Sørensen系数（DSC），相比基线方法绝对提升2.98%。

ABSTRACT

Automatic segmentation of an organ and its cystic region is a prerequisite of computer-aided diagnosis. In this paper, we focus on pancreatic cyst segmentation in abdominal CT scan. This task is important and very useful in clinical practice yet challenging due to the low contrast in boundary, the variability in location, shape and the different stages of the pancreatic cancer. Inspired by the high relevance between the location of a pancreas and its cystic region, we introduce extra deep supervision into the segmentation network, so that cyst segmentation can be improved with the help of relatively easier pancreas segmentation. Under a reasonable transformation function, our approach can be factorized into two stages, and each stage can be efficiently optimized via gradient back-propagation throughout the deep networks. We collect a new dataset with 131 pathological samples, which, to the best of our knowledge, is the largest set for pancreatic cyst segmentation. Without human assistance, our approach reports a 63.44% average accuracy, measured by the Dice-Sørensen coefficient (DSC), which is higher than the number (60.46%) without deep supervision.

研究动机与目标

• 为解决腹部CT扫描中低对比度、形态多变的胰腺囊肿分割难题，这些囊肿因尺寸小且形态多变而难以分割。
• 通过开发完全自动化的分割系统，减少测试过程中对手动标注的依赖。
• 通过利用胰腺与其囊性病变之间的空间和解剖关系，提升囊肿分割的准确性。
• 通过包含131例病理病例的大规模数据集，建立胰腺囊肿分割的新基准。

提出的方法

• 通过在单一深度神经网络中联合优化胰腺和囊肿分割，引入深度监督，采用共享编码器和双解码器头结构。
• 将优化过程分解为两个阶段：首先预测胰腺掩码，然后利用预测的胰腺作为空间先验来优化囊肿分割。
• 应用一种变换函数，使两个阶段能够端到端反向传播，支持基于梯度的优化。
• 对胰腺和囊肿分割均使用Dice-Sørensen系数（DSC）作为损失函数，以处理类别不平衡问题。
• 采用从粗到精的分割框架，以提升对小尺寸、低对比度囊肿的定位能力。
• 在新收集的131例病理腹部CT扫描数据集上进行训练和评估，包含专家标注的胰腺和囊肿掩码。

实验结果

研究问题

• RQ1 通过利用胰腺分割的深度监督，是否能提升在低对比度、形态多变病例中胰腺囊肿分割的准确性？
• RQ2 与独立训练相比，胰腺和囊肿分割的联合优化在DSC和鲁棒性方面表现如何？
• RQ3 预测的胰腺掩码在多大程度上可作为空间先验，以增强囊肿定位并减少假阴性？
• RQ4 完全自动化的系统是否能在推理过程中无需人工输入的情况下实现临床可用的分割性能？
• RQ5 数据集规模和病理多样性对囊肿分割模型泛化能力的影响如何？

主要发现

• 所提方法在131例病理病例的胰腺囊肿分割中取得平均63.44%的DSC，相比无深度监督的基线方法绝对提升2.98%。
• 该方法将漏检囊肿病例数从基线的16例减少至8例，表明在复杂病例中具有更高的鲁棒性。
• 在囊肿体积占比小于0.1%的病例中，该方法仍保持合理性能，部分有利情况下DSC最高达95%。
• 胰腺分割阶段的平均DSC为79.23%，低于健康胰腺病例，表明在病理胰腺中分割难度更高。
• 当提供理想胰腺边界框时，方法的DSC达到77.92%，证实空间先验对囊肿分割具有显著价值。
• 失败案例主要源于胰腺分割不准确，表明胰腺定位是囊肿检测的关键瓶颈。