[论文解读] Efficient Context-Aware Network for Abdominal Multi-organ Segmentation

Fan Zhang, Yu Wang+1 more|arXiv (Cornell University)|Sep 22, 2021

Radiomics and Machine Learning in Medical Imaging参考文献 10被引用 13

一句话总结

该论文提出了一种基于全体积的粗到细框架，采用新型高效SegNet实现CT扫描中腹部多器官分割。该方法利用各向异性卷积和条带池化模块，在计算成本较低的情况下捕获长距离、各向异性的上下文信息，在FLARE2021验证集上实现了89.5%的平均DSC和77.5%的NSD，取得挑战赛第一名。

ABSTRACT

The contextual information, presented in abdominal CT scan, is relative consistent. In order to make full use of the overall 3D context, we develop a whole-volume-based coarse-to-fine framework for efficient and effective abdominal multi-organ segmentation. We propose a new efficientSegNet network, which is composed of basic encoder, slim decoder and efficient context block. For the decoder module, anisotropic convolution with a k*k*1 intra-slice convolution and a 1*1*k inter-slice convolution, is designed to reduce the computation burden. For the context block, we propose strip pooling module to capture anisotropic and long-range contextual information, which exists in abdominal scene. Quantitative evaluation on the FLARE2021 validation cases, this method achieves the average dice similarity coefficient (DSC) of 0.895 and average normalized surface distance (NSD) of 0.775. This method won the 1st place on the 2021-MICCAI-FLARE challenge. Codes and models are available at https://github.com/Shanghai-Aitrox-Technology/EfficientSegmentation.

研究动机与目标

• 为解决腹部CT扫描中多器官分割的准确性与效率问题，应对高解剖变异性和有限GPU显存的挑战。
• 克服滑动窗口方法因丢失3D上下文信息而增加计算量的局限性。
• 开发一种基于全体积的框架，在保持计算效率的同时保留全局上下文信息。
• 通过上下文感知的特征学习，提升形状与大小变异较大的器官的分割精度。

提出的方法

• 提出一种基于全体积的粗到细分割框架，其中粗网络预测器官的粗略位置，细网络则利用粗网络输出作为上下文信息进行精细化分割。
• 高效SegNet架构包含基础编码器、采用各向异性3D卷积（k×k×1与1×1×k）的轻量解码器，以及结合条带池化的上下文模块，以高效捕获长距离、各向异性的上下文信息。
• 各向异性卷积将标准3D卷积分解为层内（k×k×1）与层间（1×1×k）操作，显著降低FLOPs与显存占用。
• 条带池化模块沿不同空间维度应用窄长的池化核（1×N×N、N×1×N、N×N×1），高效聚合局部与全局上下文信息。
• 通过逐元素相加而非拼接的方式融合特征图，以减少GPU显存消耗。
• 模型采用z分数强度归一化、图像重定向为LPI方向，并对空间尺寸进行固定重采样（粗网络为160×160×160，细网络为192×192×192）进行训练，推理使用FP16精度并启用动态内存缓存。

实验结果

研究问题

• RQ1 基于全体积的粗到细框架是否能在降低计算成本与显存使用的同时，优于滑动窗口方法在多器官分割中的表现？
• RQ2 各向异性卷积与条带池化在最小FLOPs下，能否有效捕获腹部CT图像中长距离、空间一致的上下文信息？
• RQ3 所提方法在不同数据源（多中心、多期相、多厂商）及病理病例中的泛化能力如何？
• RQ4 为何胰腺分割性能显著下降？其解剖或影像因素是什么？

主要发现

• 在FLARE2021验证集上，该方法实现了89.65%的平均Dice相似系数（DSC）与77.75%的平均归一化表面距离（NSD），优于其他方法。
• 对于健康或轻度病灶影响的器官（肝脏、肾脏、脾脏），DSC超过95%，NSD超过80%，表明具有优异的泛化能力与鲁棒性。
• 胰腺分割性能显著偏低（DSC：75.3%，NSD：60.5%），主要由于其高解剖变异性及严重病灶影响。
• 模型平均单例推理时间为9.8秒，仅消耗1017 MB GPU显存，展现出极高的效率。
• 在严重病灶的疑难病例中（如病例#25），胰腺DSC降至13.5%，凸显其在处理极端解剖变形时的局限性。
• 五折交叉验证结果显示，各折性能稳定一致，肝脏、肾脏与脾脏的DSC均超过95%，NSD均超过87%，证实了模型的稳定性。