[论文解读] E$^2$Net: An Edge Enhanced Network for Accurate Liver and Tumor Segmentation on CT Scans

Youbao Tang, Yuxing Tang+3 more|arXiv (Cornell University)|Jul 19, 2020

Advanced Neural Network Applications参考文献 44被引用 6

一句话总结

该论文提出E2Net，一种用于CT扫描中肝脏及肝脏肿瘤精准分割的两阶段2D深度学习框架。通过引入边缘预测分支和可学习的边缘距离图，显式建模肝脏和肿瘤边缘，同时利用深度交叉特征融合模块优化多尺度特征。该方法在LiTS和3DIRCADb数据集上均达到最先进性能，优于2D、3D及混合模型，在边界保持方面表现更优，且对低对比度和模糊器官边界具有更强鲁棒性。

ABSTRACT

Developing an effective liver and liver tumor segmentation model from CT scans is very important for the success of liver cancer diagnosis, surgical planning and cancer treatment. In this work, we propose a two-stage framework for 2D liver and tumor segmentation. The first stage is a coarse liver segmentation network, while the second stage is an edge enhanced network (E$^2$Net) for more accurate liver and tumor segmentation. E$^2$Net explicitly models complementary objects (liver and tumor) and their edge information within the network to preserve the organ and lesion boundaries. We introduce an edge prediction module in E$^2$Net and design an edge distance map between liver and tumor boundaries, which is used as an extra supervision signal to train the edge enhanced network. We also propose a deep cross feature fusion module to refine multi-scale features from both objects and their edges. E$^2$Net is more easily and efficiently trained with a small labeled dataset, and it can be trained/tested on the original 2D CT slices (resolve resampling error issue in 3D models). The proposed framework has shown superior performance on both liver and liver tumor segmentation compared to several state-of-the-art 2D, 3D and 2D/3D hybrid frameworks.

研究动机与目标

• 解决因低对比度和边界模糊导致的CT扫描中肝脏与肿瘤分割不准确的问题。
• 通过开发更高效、基于2D的方法，减少对3D模型的依赖，避免各向异性层间距带来的重采样伪影。
• 通过显式建模边缘信息作为肝脏与肿瘤分割的互补监督，提升边界定位精度。
• 设计一种轻量化、可训练的框架，在标注数据有限且计算成本极低的情况下仍保持优异性能。

提出的方法

• 该框架采用两阶段方法：首先使用Res2Net-50作为主干网络的R2UNet进行粗略肝脏分割。
• 第二阶段引入E2Net，一种新颖的边缘增强网络，联合实现肝脏与肿瘤的分割，并预测其边界。
• 在神经网络中增加边缘预测分支，利用可学习的边缘距离图作为辅助监督信号，以提升边界定位精度。
• 设计深度交叉特征融合（DCFF）模块，双向优化来自目标（肝脏/肿瘤）分支与边缘分支的多尺度特征。
• 模型在原始2D CT切片上端到端训练，避免3D模型中常见的重采样误差。
• 损失函数结合二元交叉熵损失与Dice损失，并引入边缘感知监督，以增强边界保真度。

实验结果

研究问题

• RQ1 显式边缘监督是否能提升低对比度CT扫描中肝脏与肿瘤分割的准确性？
• RQ2 将边缘距离图作为监督信号与标准边缘预测相比，在边界精炼方面表现如何？
• RQ3 在目标分支与边缘分支之间进行深度交叉特征融合，对多尺度特征表示的提升程度如何？
• RQ4 在不进行重采样或使用3D上下文信息的前提下，2D网络能否在肝脏与肿瘤分割任务中超越3D及混合模型？

主要发现

• 在LiTS数据集上，E2Net的肝脏Dice分数达到97.8%，肿瘤Dice分数为74.8%，优于包括3D和混合模型在内的最先进方法。
• 在3DIRCADb数据集上，E2Net的肝脏Dice分数达到98.9%，肿瘤Dice分数为95.7%，在肿瘤分割上较先前最先进方法（LW-HCN）提升1.6个百分点。
• 消融实验证实，添加边缘监督与边缘距离图使Dice分数提升1.5–2.5%，其中DCFF模块贡献最大提升。
• 该方法展现出强大的泛化能力，在未在训练中见过的3DIRCADb数据集上无需微调即可达到高性能。
• 两阶段粗到精策略显著提升了分割精度，第二阶段相比仅使用第一阶段的粗分割，使肝脏Dice分数提升超过1.5%。