[论文解读] Detection-aided liver lesion segmentation using deep learning

Míriam Bellver, Kevis-Kokitsi Maninis+4 more|arXiv (Cornell University)|Nov 29, 2017

Advanced Neural Network Applications参考文献 7被引用 35

一句话总结

本文提出了一种检测辅助的深度学习框架，用于在CT扫描中进行肝脏及肝脏病灶的分割，采用级联U-Net类架构，结合多尺度监督和病灶检测器以减少假阳性结果。该方法通过结合病灶分割与基于检测的过滤以及3D CRF优化，在LiTS挑战赛测试集上实现了59%的Dice分数。

ABSTRACT

A fully automatic technique for segmenting the liver and localizing its unhealthy tissues is a convenient tool in order to diagnose hepatic diseases and assess the response to the according treatments. In this work we propose a method to segment the liver and its lesions from Computed Tomography (CT) scans using Convolutional Neural Networks (CNNs), that have proven good results in a variety of computer vision tasks, including medical imaging. The network that segments the lesions consists of a cascaded architecture, which first focuses on the region of the liver in order to segment the lesions on it. Moreover, we train a detector to localize the lesions, and mask the results of the segmentation network with the positive detections. The segmentation architecture is based on DRIU, a Fully Convolutional Network (FCN) with side outputs that work on feature maps of different resolutions, to finally benefit from the multi-scale information learned by different stages of the network. The main contribution of this work is the use of a detector to localize the lesions, which we show to be beneficial to remove false positives triggered by the segmentation network. Source code and models are available at https://imatge-upc.github.io/liverseg-2017-nipsws/ .

研究动机与目标

• 开发一种全自动方法，从CT扫描中分割肝脏及其病灶，以支持诊断与治疗监测。
• 解决肝脏病灶分割中的挑战，包括对比度低、病灶大小差异大以及图像噪声等问题。
• 通过利用病灶检测器抑制分割网络产生的假阳性结果，提升分割精度。
• 利用多尺度特征和基于肝脏分割的感兴趣区域裁剪，增强病灶定位能力。
• 在LiTS 2017基准数据集上评估该方法，并与基线方法进行性能比较。

提出的方法

• 采用级联架构：首先分割肝脏，然后裁剪感兴趣区域以进行病灶特异性分割。
• 采用基于DRIU的全卷积网络（FCN），在多个分辨率下设置辅助输出，以捕捉多尺度特征。
• 应用加权二元交叉熵损失，并按体积进行类别平衡，以处理前景-背景类别不平衡问题。
• 在训练过程中，对肝脏区域外的梯度实施抑制，以限制学习范围至相关像素，改善类别平衡。
• 引入3D全连接条件随机场（3D-CRF），利用空间一致性和强度一致性对分割结果进行优化。
• 使用在肝脏周围图像块上训练的2D目标检测器来定位病灶，并仅对阳性检测结果进行掩码处理以生成分割预测。

实验结果

研究问题

• RQ1 与纯分割网络相比，检测辅助方法是否能有效减少肝脏病灶分割中的假阳性预测？
• RQ2 将训练梯度限制在肝脏区域内的像素是否能改善病灶分割性能并缓解类别不平衡？
• RQ3 集成3D-CRF在多大程度上提升了分割结果的空间一致性和准确性？
• RQ4 在LiTS基准测试中，将病灶检测器与分割网络结合是否优于仅使用分割网络？
• RQ5 通过辅助输出实现的多尺度监督在捕捉低对比度CT扫描中细微病灶细节方面有多有效？

主要发现

• 基线级联分割-only方法在LiTS测试集上实现了0.41的Dice分数。
• 引入3D输入和肝脏区域梯度抑制后，Dice分数提升至0.54，表明学习聚焦于相关区域可提升性能。
• 引入病灶检测器后，Dice分数进一步提升至0.57，通过过滤假阳性显著改善结果。
• 最终集成3D-CRF后，Dice分数达到0.59，证明后处理在提升空间一致性方面具有显著优势。
• 该方法优于基线和中间配置，表明检测器引导与CRF优化对小尺寸、低对比度病灶具有显著有效性。
• 消融实验确认，将学习限制在肝脏区域内的像素可提升泛化能力并减少假阳性，其效果类似于注意力机制。