[论文解读] Exclusive Independent Probability Estimation using Deep 3D Fully Convolutional DenseNets: Application to IsoIntense Infant Brain MRI Segmentation

Seyed Raein Hashemi, Sanjay P. Prabhu+2 more|arXiv (Cornell University)|Sep 21, 2018

Advanced Neural Network Applications参考文献 16被引用 6

一句话总结

该论文提出了一种基于Fβ损失函数的独占多标签训练策略，并结合3D全卷积DenseNet中的切片预测融合，以改善等强度婴儿脑MRI的分割效果，其中白质和灰质在T1/T2加权成像中具有相似的信号强度。该方法在iSeg挑战赛中取得了最先进性能，白质Dice分数达到90.7%，推理时间少于90秒，且仅使用140万个参数。

ABSTRACT

The most recent fast and accurate image segmentation methods are built upon fully convolutional deep neural networks. In this paper, we propose new deep learning strategies for DenseNets to improve segmenting images with subtle differences in intensity values and features. We aim to segment brain tissue on infant brain MRI at about 6 months of age where white matter and gray matter of the developing brain show similar T1 and T2 relaxation times, thus appear to have similar intensity values on both T1- and T2-weighted MRI scans. Brain tissue segmentation at this age is, therefore, very challenging. To this end, we propose an exclusive multi-label training strategy to segment the mutually exclusive brain tissues with similarity loss functions that automatically balance the training based on class prevalence. Using our proposed training strategy based on similarity loss functions and patch prediction fusion we decrease the number of parameters in the network, reduce the complexity of the training process focusing the attention on less number of tasks, while mitigating the effects of data imbalance between labels and inaccuracies near patch borders. By taking advantage of these strategies we were able to perform fast image segmentation (90 seconds per 3D volume), using a network with less parameters than many state-of-the-art networks, overcoming issues such as 3Dvs2D training and large vs small patch size selection, while achieving the top performance in segmenting brain tissue among all methods tested in first and second round submissions of the isointense infant brain MRI segmentation (iSeg) challenge according to the official challenge test results. Our proposed strategy improves the training process through balanced training and by reducing its complexity while providing a trained model that works for any size input image and is fast and more accurate than many state-of-the-art methods.

研究动机与目标

• 解决在约6个月大时婴儿脑组织分割的挑战，此时白质和灰质在T1和T2加权MRI上呈现等强度，因其弛豫时间相似。
• 克服标准交叉熵训练在处理等强度组织中类间不平衡和微弱信号差异方面的局限性。
• 开发一种训练策略，通过基于相似性的损失函数，提升互斥脑组织类别（脑脊液、灰质、白质）的精确率与召回率平衡。
• 利用紧凑网络（140万个参数）实现实时、高精度且可扩展的分割，支持任意输入图像尺寸。
• 在iSeg挑战赛中实现等强度婴儿脑MRI分割的顶尖性能，超越现有基于DenseNet的方法。

提出的方法

• 采用具有更深架构、更多跳跃连接且参数更少（140万个）的3D全卷积DenseNet（FC-DenseNet），相比先前模型更具效率。
• 实施独占多标签训练策略，一次仅对一个等强度组织类别（如白质）进行训练，以减少类别间混淆并提升训练专注度。
• 使用针对各类别的Fβ损失函数，并根据类别出现频率调整β值（脑脊液β=1.5，白质与灰质对比β=1），以平衡精确率与召回率。
• 在大重叠3D切片（128×128×128）上进行训练，以增强上下文信息并减轻边界伪影。
• 在推理阶段应用切片预测融合，聚合重叠切片的输出结果，实现内在的数据增强并提升边界分割精度。
• 采用早期下采样与晚期上采样策略，以扩大有效感受野，同时在不增加模型复杂度的前提下支持更大切片尺寸。

实验结果

研究问题

• RQ1 在组织信号强度差异极小的等强度婴儿脑MRI中，采用类别特定的Fβ损失函数的独占多标签训练策略是否能提升分割性能？
• RQ2 与同时训练所有类别相比，仅对互斥组织类别（如仅白质）进行训练，对3D脑组织分割中精确率、召回率和Dice分数的影响如何？
• RQ3 采用大重叠3D切片的预测融合策略在多大程度上能提升分割精度，特别是在切片边界和组织交界区域？
• RQ4 参数更少、架构更深的3D FC-DenseNet是否能在保持推理时间<90秒的前提下，超越现有最先进模型在等强度分割任务中的表现？
• RQ5 在缺乏明显信号对比度的情况下，所提出的训练策略是否能有效缓解类别不平衡问题，并提升脑脊液、灰质与白质之间的泛化能力？

主要发现

• 所提出的独占多标签训练策略结合Fβ损失函数，在iSeg挑战赛官方测试集上取得了最高的Dice相似系数（DSC）：脑脊液96.0%，灰质92.6%，白质90.7%。
• 该方法在iSeg挑战赛中超越了所有第一轮和第二轮提交结果，包括基于DenseNet的模型如DenseSeg和HyperDenseNet。
• 所有标签的平均DSC为93.1%，平均对齐距离（ASD）为0.26 mm，Hausdorff距离（HD）为7.5 mm，表明具有高精度与强鲁棒性。
• 单个体积的推理时间少于90秒，尽管性能优异，但该方法仍具备临床部署的实用性。
• 视觉评估与定量指标均表明，与单标签训练相比，独占多标签方法显著减少了等强度区域的误分类。
• 由于全卷积网络设计与切片融合策略，该模型在任意输入尺寸上均展现出良好的泛化能力。