[论文解读] Dense Volume-to-Volume Vascular Boundary Detection

Jameson Merkow, David Kriegman+2 more|arXiv (Cornell University)|May 26, 2016

Medical Imaging and Analysis参考文献 14被引用 5

一句话总结

本文提出 I2I-3D，一种用于医学体积数据中密集体素级血管边界检测的3D卷积神经网络。通过利用从细到细的深度监督架构与多尺度特征学习，该方法在93个多样化3D血管体积上实现了最先进性能，优于结构化随机森林3D和HED-3D，且在每个体积为512³时，可在一分钟内完成对细微结构的定位。

ABSTRACT

In this work, we present a novel 3D-Convolutional Neural Network (CNN) architecture called I2I-3D that predicts boundary location in volumetric data. Our fine-to-fine, deeply supervised framework addresses three critical issues to 3D boundary detection: (1) efficient, holistic, end-to-end volumetric label training and prediction (2) precise voxel-level prediction to capture fine scale structures prevalent in medical data and (3) directed multi-scale, multi-level feature learning. We evaluate our approach on a dataset consisting of 93 medical image volumes with a wide variety of anatomical regions and vascular structures. In the process, we also introduce HED-3D, a 3D extension of the state-of-the-art 2D edge detector (HED). We show that our deep learning approach out-performs, the current state-of-the-art in 3D vascular boundary detection (structured forests 3D), by a large margin, as well as HED applied to slices, and HED-3D while successfully localizing fine structures. With our approach, boundary detection takes about one minute on a typical 512x512x512 volume.

研究动机与目标

• 为解决在复杂医学体积数据中实现精确3D血管边界检测的挑战。
• 实现在完整3D体积上高效、整体性、端到端的训练与推理，实现体素级精度。
• 通过定向的多尺度、多层级特征学习，捕捉医学影像中常见的细微解剖结构。
• 开发HED的3D扩展（HED-3D），以提升体积数据中的边缘检测性能。
• 在边界定位精度上超越现有最先进方法，包括结构化随机森林3D与基于切片的HED。

提出的方法

• 提出 I2I-3D，一种具有从细到细深度监督架构的3D卷积神经网络，以增强特征学习与预测精度。
• 采用全卷积、端到端的训练范式，直接处理完整3D体积，无需切块或裁剪。
• 通过在多个分辨率上预测边界实现多尺度监督，从而更好地定位细微结构。
• 提出 HED-3D，即2D HED边缘检测模型的3D扩展，以提升体积数据中的边界检测性能。
• 利用跳跃连接与多层级监督，保留空间细节并改善训练过程中的梯度流动。
• 通过损失函数优化网络，以在多样化解剖区域中鼓励精确的体素级边界预测。

实验结果

研究问题

• RQ1 3D-CNN 架构是否能在与结构化随机森林3D等现有方法对比时，实现更优的3D血管边界检测？
• RQ2 在复杂医学数据中，端到端的体积训练结合深度监督，如何提升体素级边界定位性能？
• RQ3 多尺度、多层级特征学习在提升对细微血管结构检测方面的效果如何？
• RQ4 HED的3D扩展（HED-3D）是否在边界检测上优于将2D HED应用于单一切片以及先前的3D方法？
• RQ5 所提出方法是否能在高效处理大型512³体积的同时保持高精度？

主要发现

• I2I-3D 模型在93个体素医学体积构成的多样化数据集上，显著优于当前最先进方法结构化随机森林3D，在3D血管边界检测中表现更优。
• HED-3D 作为HED的3D扩展，其性能优于将2D HED应用于单一切片，证明了3D上下文的优势。
• 该方法以高精度定位细微血管结构，经多种解剖区域的定性与定量分析验证。
• 在标准硬件上，512x512x512体积的边界检测约需一分钟完成，表明推理效率高。
• 深度监督与多尺度设计相比无监督或单尺度基线方法，显著提升了特征表示与边界定位精度。
• 该网络在不同血管结构与解剖区域间具有良好泛化能力，证实对解剖变异性的鲁棒性。