[论文解读] Detecting Pancreatic Ductal Adenocarcinoma in Multi-phase CT Scans via Alignment Ensemble

Yingda Xia, Qihang Yu+4 more|arXiv (Cornell University)|Mar 18, 2020

Radiomics and Machine Learning in Medical Imaging参考文献 24被引用 4

一句话总结

本文提出一种对齐集成方法，通过结合早期（图像配准）、晚期（特征空间变换）和缓慢（多层级特征对齐）策略，在多期CT扫描中检测胰腺导管腺癌（PDAC）。该集成方法在SOTA方法基础上将肿瘤分割DSC提升4%，在两个PDAC数据集上实现SOTA性能，通过端到端深度学习框架中的互补特征空间对齐实现。

ABSTRACT

Pancreatic ductal adenocarcinoma (PDAC) is one of the most lethal cancers among the population. Screening for PDACs in dynamic contrast-enhanced CT is beneficial for early diagnosis. In this paper, we investigate the problem of automated detecting PDACs in multi-phase (arterial and venous) CT scans. Multiple phases provide more information than single phase, but they are unaligned and inhomogeneous in texture, making it difficult to combine cross-phase information seamlessly. We study multiple phase alignment strategies, i.e., early alignment (image registration), late alignment (high-level feature registration), and slow alignment (multi-level feature registration), and suggest an ensemble of all these alignments as a promising way to boost the performance of PDAC detection. We provide an extensive empirical evaluation on two PDAC datasets and show that the proposed alignment ensemble significantly outperforms previous state-of-the-art approaches, illustrating the strong potential for clinical use.

研究动机与目标

• 为了提升多期CT扫描中胰腺导管腺癌（PDAC）的自动检测性能，这些扫描常因各期之间解剖结构错位和纹理变化而未被充分利用。
• 为解决动脉期和静脉期CT扫描信息融合的挑战，这些扫描由于患者运动和肿瘤纹理的细微变化而本质上存在错位。
• 研究并比较多种阶段对齐策略——早期、晚期和缓慢对齐——以提升PDAC检测性能。
• 证明通过集成这些对齐策略，可利用其互补优势，实现更优性能。

提出的方法

• 采用双编码器架构，每期（动脉期和静脉期）对应一个编码器，用于从多期CT扫描中提取特征。
• 通过输入空间中的图像配准实现早期对齐，以在特征提取前对齐解剖结构。
• 通过在最终特征空间中对高层特征进行空间变换，实现晚期对齐，以对齐各期之间的表示。
• 提出一种多层级特征配准策略作为缓慢对齐，逐步对齐网络不同深度的特征。
• 将所有三种对齐策略整合为一个集成模型，聚合各独立对齐分支的预测结果。
• 使用分割解码器生成PDAC肿瘤掩码，以Dice相似系数（DSC）和检测敏感性为优化目标。

实验结果

研究问题

• RQ1 尽管存在运动引起的错位，早期图像配准是否能有效提升多期CT扫描中的PDAC检测性能？
• RQ2 与图像空间配准相比，晚期和缓慢的特征空间对齐策略在分割准确性和鲁棒性方面是否表现更优？
• RQ3 早期、晚期和缓慢对齐策略是否具有互补性，使得其集成能带来更优性能？
• RQ4 端到端的特征空间对齐是否能通过最终损失函数联合优化对齐与分割，从而优于预处理阶段的配准？
• RQ5 对齐策略的集成是否能减少假阴性，提升早期PDAC检测的敏感性？

主要发现

• 该对齐集成模型在数据集×2上达到64.14%的肿瘤DSC分数，相比最佳单一分离对齐方法（晚期对齐为62.02%）提升4个百分点。
• 晚期和缓慢的特征空间对齐策略在分割性能上优于早期图像配准，DSC分数分别为62.02%和61.24%，而早期对齐为60.87%。
• 在数据集×1上，该模型将漏检肿瘤数量从8例减少至6例，敏感性从94.1%提升至97.1%。
• 特征空间对齐方法（晚期和缓慢）带来的性能增益大于早期对齐，因为它们通过最终损失函数联合优化了对齐与分割。
• 三种对齐策略具有互补性：通过集成学习结合它们可带来显著性能提升，表明单一对齐方法在所有检测方面均无绝对优势。
• 所提方法在两个PDAC数据集上均达到SOTA性能，证实了对齐集成方法在多期CT扫描中PDAC检测的有效性。