[论文解读] Elastic Boundary Projection for 3D Medical Image Segmentation

Tianwei Ni, Lingxi Xie+3 more|arXiv (Cornell University)|Dec 3, 2018

Advanced Neural Network Applications参考文献 33被引用 6

一句话总结

该论文提出了一种新型方法——弹性边界投影（Elastic Boundary Projection, EBP），通过在三维空间中围绕枢轴点迭代地形变成弹性壳体，直至其收敛至器官边界，从而利用二维深度网络实现三维医学图像分割。EBP在内存占用低的情况下实现了具有竞争力的分割精度，避免了切片/补丁融合问题，并可通过多个枢轴点实现高效的图像增强，其在腹部CT扫描上的表现优于二维和三维基线模型。

ABSTRACT

We focus on an important yet challenging problem: using a 2D deep network to deal with 3D segmentation for medical image analysis. Existing approaches either applied multi-view planar (2D) networks or directly used volumetric (3D) networks for this purpose, but both of them are not ideal: 2D networks cannot capture 3D contexts effectively, and 3D networks are both memory-consuming and less stable arguably due to the lack of pre-trained models. In this paper, we bridge the gap between 2D and 3D using a novel approach named Elastic Boundary Projection (EBP). The key observation is that, although the object is a 3D volume, what we really need in segmentation is to find its boundary which is a 2D surface. Therefore, we place a number of pivot points in the 3D space, and for each pivot, we determine its distance to the object boundary along a dense set of directions. This creates an elastic shell around each pivot which is initialized as a perfect sphere. We train a 2D deep network to determine whether each ending point falls within the object, and gradually adjust the shell so that it gradually converges to the actual shape of the boundary and thus achieves the goal of segmentation. EBP allows boundary-based segmentation without cutting a 3D volume into slices or patches, which stands out from conventional 2D and 3D approaches. EBP achieves promising accuracy in abdominal organ segmentation. Our code has been open-sourced https://github.com/twni2016/Elastic-Boundary-Projection.

研究动机与目标

• 为解决二维和三维网络在三维医学图像分割中的局限性，特别是不稳定性与高内存占用问题。
• 实现稳定且预训练的二维网络在全体积三维分割中的应用，无需切片或补丁处理。
• 通过在三维空间中设置多个枢轴点，生成丰富的训练样本，提升数据效率。
• 通过在球坐标系中将目标边界建模为二维曲面，实现精确的边界检测。

提出的方法

• EBP将弹性壳体初始化为围绕三维枢轴点的完美球体，通过多个角度方向的径向距离进行参数化。
• 使用二维深度网络预测每个径向投影端点是否位于目标器官内部或外部，从而指导半径的迭代调整。
• 壳体通过根据网络预测结果增加或减少半径，实现迭代演化，最终收敛至真实边界表面。
• 在三维体积中布置多个枢轴点，生成重叠的边界估计，实现鲁棒的三维重建。
• 利用核密度估计（KDE）过滤来自孤立枢轴点的异常点，仅保留密集且一致的边界信号。
• 最终分割结果由内部枢轴点的收敛壳体重建而成，并通过相邻枢轴点之间的Dice相似系数（DSC）验证一致性。

实验结果

研究问题

• RQ1 未经直接三维训练或二维切片处理，二维深度网络能否有效学习分割三维体数据结构？
• RQ2 如何将基于边界的分割问题在球坐标系中形式化为二维问题，以利用二维网络的优势？
• RQ3 弹性壳体形变是否能在多种三维解剖结构下可靠收敛至真实器官边界？
• RQ4 在低数据量医学分割中，多个枢轴点在多大程度上能提升数据效率与鲁棒性？
• RQ5 在三维重建过程中，如何过滤来自外部枢轴点的不一致或异常预测？

主要发现

• EBP在腹部CT扫描上的分割性能与二维和三维最先进方法相当，表现出强大的泛化能力。
• 内-内枢轴对之间壳体的平均DSC为73.46%，显著高于内-外枢轴对的51.39%，证实了器官内部的一致性。
• 当枢轴点从器官内部移动到外部时，枢轴间DSC出现突然下降，表明能可靠检测边界邻近区域。
• 该方法成功实现了无需切片或切块的三维器官边界重建，避免了局部预测结果的复杂融合。
• 即使每个枢轴仅运行10次迭代（而非完全收敛），由于密集采样和异常值过滤，仍能实现精确重建。
• 通过在单个体素标注数据中布置多个枢轴点，EBP可高效生成大量训练样本，实现高效的图像增强。