[论文解读] Deeply Self-Supervising Edge-to-Contour Neural Network Applied to Liver Segmentation.

Minyoung Chung, Jingyu Lee+3 more|arXiv (Cornell University)|Aug 2, 2018

Medical Image Segmentation Techniques被引用 3

一句话总结

本文提出了一种深度自监督全卷积神经网络，通过整合自适应轮廓监督与全局形状及深层特征，提升了腹部CT扫描中的肝脏分割性能。通过利用判别性轮廓学习，该方法相比最先进方法实现了2.13%更高的Dice分数，表明引导性轮廓特征显著提升了分割精度。

ABSTRACT

Objective: Herein, a neural network-based liver segmentation algorithm is proposed, and its performance was evaluated using abdominal computed tomography (CT) images. Methods: A fully convolutional network was developed to overcome the volumetric image segmentation problem. To guide a neural network to accurately delineate a target liver object, the network was deeply supervised by applying the adaptive self-supervision scheme to derive the essential contour, which acted as a complement with the global shape. The discriminative contour, shape, and deep features were internally merged for the segmentation results. Results and Conclusion: 160 abdominal CT images were used for training and validation. The quantitative evaluation of the proposed network was performed through an eight-fold cross-validation. The result showed that the method, which uses the contour feature, segmented the liver more accurately than the state-of-the-art with a 2.13% improvement in the dice score. Significance: In this study, a new framework was introduced to guide a neural network and learn complementary contour features. The proposed neural network demonstrates that the guided contour features can significantly improve the performance of the segmentation task.

研究动机与目标

• 为解决在体积性腹部CT图像中肝脏分割准确性的挑战，其中器官边界通常模糊不清。
• 克服标准全卷积网络缺乏显式边界引导的局限性，从而导致器官边界划分不精确。
• 提出一种新颖的自监督机制，能够从网络内部特征自适应地生成高质量的轮廓监督信号。
• 通过在统一框架中融合深层特征、全局形状先验和判别性轮廓信息，提升分割性能。
• 验证轮廓引导在提升分割精度方面相较于当前最先进方法的有效性。

提出的方法

• 设计了一个全卷积网络（FCN），用于处理3D体积CT图像，实现端到端的肝脏分割。
• 应用自适应自监督方案，从网络内部特征图中生成伪真实轮廓，实现在多个网络层的深度监督。
• 通过识别特征表示中的显著强度变化和空间边界来生成轮廓监督，该过程通过迭代优化进行精炼。
• 在分割推理过程中，显式学习判别性轮廓特征，并将其与全局形状先验及深层层次特征融合。
• 采用多任务损失函数进行网络训练，该损失函数结合交叉熵损失、Dice损失以及一个轮廓特定的正则化项，以促进精确的边界预测。
• 在160例腹部CT扫描上采用八折交叉验证，以确保性能评估的稳健性。

实验结果

研究问题

• RQ1 自适应自监督能否生成可靠的轮廓监督信号，从而改善肝脏分割中的边界检测？
• RQ2 与标准FCN相比，将判别性轮廓特征与深层特征及形状特征相结合，对分割精度有何影响？
• RQ3 所提出的方法在Dice分数和边界精确度方面是否优于现有的最先进肝脏分割模型？
• RQ4 自监督轮廓学习在在多大程度上减少了对手动标注的依赖，同时保持了高水平的分割质量？

主要发现

• 与最先进方法相比，所提方法在Dice分数上提升了2.13%，证明了其分割精度的优越性。
• 自监督轮廓特征的融合显著增强了边界划分，尤其在组织对比度较低的区域表现突出。
• 在160例腹部CT扫描上进行的八折交叉验证，证实了该方法在不同解剖变异和扫描协议下的稳定性能。
• 自适应自监督方案成功生成了高质量的轮廓监督信号，且无需额外的手动标注。
• 轮廓、形状与深层特征的融合，使分割结果比仅依赖全局形状或深层特征的模型更具鲁棒性和泛化能力。
• 该方法在捕捉精细肝脏轮廓方面表现出色，有效减少了器官边界附近的过度分割与欠分割现象。