[论文解读] Dilated Inception U-Net (DIU-Net) for Brain Tumor Segmentation

Daniel E. Cahall, Ghulam Rasool+2 more|arXiv (Cornell University)|Aug 15, 2021

Advanced Neural Network Applications参考文献 30被引用 11

一句话总结

本文提出Dilated Inception U-Net（DIU-Net），一种增强型U-Net架构，通过在Inception模块中引入空洞卷积，提升脑肿瘤分割的多尺度特征提取能力。该模型在BraTS 2018数据集上，对整体肿瘤（0.931，p<0.05）和肿瘤核心（0.957，p<0.05）分割的Dice分数实现了统计上显著的提升，优于标准U-Net结合Inception模块的结构，同时参数量减少了15%。

ABSTRACT

Magnetic resonance imaging (MRI) is routinely used for brain tumor diagnosis, treatment planning, and post-treatment surveillance. Recently, various models based on deep neural networks have been proposed for the pixel-level segmentation of tumors in brain MRIs. However, the structural variations, spatial dissimilarities, and intensity inhomogeneity in MRIs make segmentation a challenging task. We propose a new end-to-end brain tumor segmentation architecture based on U-Net that integrates Inception modules and dilated convolutions into its contracting and expanding paths. This allows us to extract local structural as well as global contextual information. We performed segmentation of glioma sub-regions, including tumor core, enhancing tumor, and whole tumor using Brain Tumor Segmentation (BraTS) 2018 dataset. Our proposed model performed significantly better than the state-of-the-art U-Net-based model ($p&lt;0.05$) for tumor core and whole tumor segmentation.

研究动机与目标

• 为解决由于结构变异、强度非均匀性和空间异质性导致的MRI中脑肿瘤像素级分割难题。
• 通过整合空洞卷积和Inception模块，改进U-Net的特征提取能力，以增强局部与全局上下文学习。
• 开发一种计算高效的端到端深度学习框架，用于胶质瘤亚区分割（整体肿瘤、肿瘤核心、增强肿瘤）。
• 使用非参数统计检验，在BraTS 2018基准数据集上评估模型性能与当前最先进U-Net变体的对比。

提出的方法

• DIU-Net架构在U-Net的编码和解码路径中均引入空洞Inception模块，以捕捉多尺度上下文特征。
• 每个空洞Inception模块先使用三个1×1卷积进行降维，随后使用感受野扩张率分别为l=1、2和3的3×3空洞卷积，以扩大感受野。
• 在每个卷积层后应用批量归一化和ReLU激活函数，以稳定训练过程并改善梯度流动。
• 编码路径与解码路径之间的跳跃连接保留了空间分辨率并定位特征，从而实现精确分割。
• 最后一层使用1×1卷积将特征图深度减少至分割类别数（3类：WT、TC、ET），随后通过逐像素Softmax输出结果。
• 模型在4块Tesla P100 GPU上使用Keras配合TensorFlow后端进行训练，并在BraTS 2018数据集上采用5折交叉验证进行评估。

实验结果

研究问题

• RQ1 将空洞卷积整合到Inception模块中，是否能提升U-Net在脑肿瘤分割任务中的特征表示能力？
• RQ2 所提出的DIU-Net架构在BraTS 2018数据集上是否优于标准U-Net及U-Net结合Inception模块的结构？
• RQ3 整体肿瘤和肿瘤核心子区域的分割精度提升是否具有统计显著性？
• RQ4 与现有最先进模型相比，DIU-Net在参数效率和计算成本方面表现如何？

主要发现

• DIU-Net在整体肿瘤分割上取得了0.931的中位Dice分数，与基线U-Net结合Inception模块相比具有统计显著性提升（p<0.05）。
• 在肿瘤核心分割上，DIU-Net取得了0.957的Dice分数，与基线相比具有统计显著性提升（p<0.05）。
• 增强肿瘤子区域未表现出统计显著性提升（p=0.114），表明更大上下文对这一小而稀疏区域的收益有限。
• 与U-Net结合Inception模块相比，DIU-Net将模型参数减少了250万个（15%），表明具有更高的参数效率。
• Dice分数的变异性降低，表现为箱线图中四分位距更紧凑，表明模型性能更加一致。
• 在代表性高级别和低级别胶质母细胞瘤病例中的可视化结果表明，DIU-Net的预测结果与真实标签高度吻合，证实了其在不同肿瘤分级下的鲁棒性。