[论文解读] DeepMRSeg: A convolutional deep neural network for anatomy and abnormality segmentation on MR images

Jimit Doshi, Güray Erus+2 more|arXiv (Cornell University)|Jul 3, 2019

Medical Image Segmentation Techniques参考文献 18被引用 25

一句话总结

DeepMRSeg 是一种经过修改的 UNet 架构，结合了残差连接和多尺度 inception 模块，可直接从原始 T1 加权 MRI 扫描中实现对脑部解剖结构和异常的精确、通用分割。它在多个任务中优于标准 UNet——包括白质病变、深部脑结构以及海马亚区——在极少预处理的情况下，实现了显著更高的重叠度度量指标和平衡准确率。

ABSTRACT

Segmentation has been a major task in neuroimaging. A large number of automated methods have been developed for segmenting healthy and diseased brain tissues. In recent years, deep learning techniques have attracted a lot of attention as a result of their high accuracy in different segmentation problems. We present a new deep learning based segmentation method, DeepMRSeg, that can be applied in a generic way to a variety of segmentation tasks. The proposed architecture combines recent advances in the field of biomedical image segmentation and computer vision. We use a modified UNet architecture that takes advantage of multiple convolution filter sizes to achieve multi-scale feature extraction adaptive to the desired segmentation task. Importantly, our method operates on minimally processed raw MRI scan. We validated our method on a wide range of segmentation tasks, including white matter lesion segmentation, segmentation of deep brain structures and hippocampus segmentation. We provide code and pre-trained models to allow researchers apply our method on their own datasets.

研究动机与目标

• 开发一种通用的、基于深度学习的分割框架，适用于多种神经影像学任务，而无需针对特定任务进行重新设计。
• 解决传统方法依赖大量预处理和人工特征工程的局限性。
• 仅使用经过最少处理的原始 T1 MRI 扫描，实现高精度分割。
• 通过开源代码和预训练模型，为研究人员提供即插即用的解决方案。

提出的方法

• 该方法采用改进的 UNet 架构，集成残差连接（ResNet）和具有不同卷积核大小的多分支 inception 模块，以实现多尺度特征提取。
• 用 1x1 卷积滤波器替代最大池化层，以保留精细的空间细节和边界准确性。
• 网络在未经大量预处理的原始 T1 加权 MRI 扫描上进行端到端训练，可直接应用于新数据集。
• 该架构结合编码和解码路径，并通过跳跃连接保留空间上下文信息和定位精度。
• 通过利用来自图像分类任务（Inception-ResNet-A）的预训练组件并将其适配于医学分割任务，应用迁移学习原理。
• 模型在特定任务数据上进行微调，从而在极少重新配置的情况下，实现对多种分割任务的部署。

实验结果

研究问题

• RQ1 单一深度学习架构是否能在无需针对特定任务重新设计的情况下，实现对多种神经解剖和病理目标的高精度分割？
• RQ2 使用空洞卷积和并行卷积分支进行多尺度特征提取，在多种 MRI 任务中如何提升分割性能？
• RQ3 用可学习的 1x1 卷积替代最大池化，在脑部分割中能在多大程度上增强边界细节的保留？
• RQ4 在仅使用原始 T1 扫描进行训练的情况下，模型是否能在无需大量预处理或模态特异性调优的前提下实现最先进性能？
• RQ5 在不同脑部结构和病理类型中，DeepMRSeg 与标准 UNet 相比，在分割准确率和鲁棒性方面表现如何？

主要发现

• 在所有深部脑结构中，DeepMRSeg 的平衡准确率（BACC）显著高于标准 UNet，平均 BACC 达 0.930，而 UNet 为 0.906。
• 在海马亚区分割中，DeepMRSeg 将平均 BACC 从 0.913 提升至 0.922，F1 分数从 0.857 提升至 0.862。
• 在白质病变分割中，DeepMRSeg 展现出更优性能，具有更高的重叠度度量指标，并对小而形状不规则的病灶表现出更强的敏感性。
• 在所有深部脑结构上，DeepMRSeg 的平均加权 F1 分数达到 0.858，优于 UNet 的 0.842。
• 使用 1x1 卷积替代最大池化显著减少了边界模糊，提升了定位精度，尤其在杏仁核和海马等小而复杂的结构中效果明显。
• 预训练模型和代码已通过 IPP 平台（https://ipp.cbica.upenn.edu/）公开，可直接部署于新数据集，无需本地安装。