[论文解读] Densely Dilated Spatial Pooling Convolutional Network using benign loss functions for imbalanced volumetric prostate segmentation

Qiuhua Liu, Min Fu+2 more|arXiv (Cornell University)|Jan 31, 2018

Advanced Neural Network Applications参考文献 14被引用 6

一句话总结

该论文提出了一种密集膨胀空间池化卷积网络（DDSP ConNet），采用良性损失函数——Dice相似度系数（DSC）和Jaccard损失，实现对3D MRI扫描中前列腺的精确、自动分割。通过整合膨胀卷积、全局池化、跳跃连接以及理论性能优越的损失函数，该模型在PROMISE12数据集上实现了85.78的3D Dice分数，优于大多数竞争对手，在处理类别不平衡方面表现更优。

ABSTRACT

The high incidence rate of prostate disease poses a requirement in early detection for diagnosis. As one of the main imaging methods used for prostate cancer detection, Magnetic Resonance Imaging (MRI) has wide range of appearance and imbalance problems, making automated prostate segmentation fundamental but challenging. Here we propose a novel Densely Dilated Spatial Pooling Convolutional Network (DDSP ConNet) in encoder-decoder structure. It employs dense structure to combine dilated convolution and global pooling, thus supplies coarse segmentation results from encoder and decoder subnet and preserves more contextual information. To obtain richer hierarchical feature maps, residual long connection is furtherly adopted to fuse contexture features. Meanwhile, we adopt DSC loss and Jaccard loss functions to train our DDSP ConNet. We surprisingly found and proved that, in contrast to re-weighted cross entropy, DSC loss and Jaccard loss have a lot of benign properties in theory, including symmetry, continuity and differentiability about the parameters of network. Extensive experiments on the MICCAI PROMISE12 challenge dataset have been done to corroborate the effectiveness of our DDSP ConNet with DSC loss and Jaccard loss. Totally, our method achieves a score of 85.78 in the test dataset, outperforming most of other competitors.

研究动机与目标

• 解决3D体素前列腺MRI分割中数据不平衡的挑战，其中前列腺区域远小于背景区域。
• 通过在深度网络中保留空间上下文和层次特征，提升分割精度。
• 通过探索更稳健的损失函数，克服标准交叉熵损失在类别不平衡医学图像分割中的局限性。
• 展示DSC和Jaccard损失在医学图像分割中相对于重加权交叉熵的理论与实证优势。

提出的方法

• 提出一种类似U-Net的编码器-解码器架构，结合密集连接的膨胀卷积，以扩大感受野而不进行下采样。
• 将全局平均池化与膨胀卷积结合，以捕获多尺度上下文信息。
• 使用残差长跳跃连接，融合编码器与解码器路径的特征，增强特征传播。
• 采用DSC和Jaccard损失函数，这些函数相对于网络参数具有对称性、连续性和可微性。
• 端到端训练网络，使用这些良性损失函数以更好地优化分割重叠度。
• 利用编码器的粗粒度特征与解码器的精细化特征，生成高分辨率、上下文准确的分割图。

实验结果

研究问题

• RQ1 密集连接的膨胀空间池化模块是否能提升3D前列腺MRI中的特征表示与分割精度？
• RQ2 DSC和Jaccard损失函数在类别不平衡分割任务中是否相比重加权交叉熵展现出更优的优化行为？
• RQ3 DSC和Jaccard损失的理论特性（如对称性与可微性）如何影响训练稳定性和性能表现？
• RQ4 膨胀卷积、全局池化与跳跃连接的组合在多大程度上增强了体积分割中的上下文保留能力？
• RQ5 所提出的DDSP ConNet是否在PROMISE12前列腺分割基准上达到最先进性能？

主要发现

• 所提出的DDSP ConNet在PROMISE12测试数据集上实现了85.78的3D Dice分数，优于大多数对比方法。
• DSC和Jaccard损失函数被证明优于重加权交叉熵，原因在于其有利的理论特性：对称性、连续性与可微性。
• 膨胀卷积与全局池化的结合实现了有效的多尺度上下文聚合，且无需降低空间分辨率。
• 残差长跳跃连接通过保留空间细节，显著提升了特征融合与分割精度。
• 该模型在类别不平衡情况下表现出强鲁棒性，能有效分割3D MRI体数据中微小且不规则形状的前列腺区域。
• 大量消融实验与对比实验验证了所提损失函数与网络设计在真实医学影像场景中的有效性。