[论文解读] Extended 2D Volumetric Consensus Hippocampus Segmentation

Diedre Carmo, Bruna Silva+3 more|arXiv (Cornell University)|Feb 12, 2019

Advanced Image and Video Retrieval Techniques被引用 3

一句话总结

该论文提出了一种基于三平面U-Net架构的全卷积网络共识方法，用于3D海马体分割，该方法结合了残差连接、批量归一化、VGG权重迁移以及邻近切片数据增强技术。该方法在测试集上达到96%的Dice分数，在公开的HARP数据集上达到87.48%的分数，单个体积的推理时间仅需数秒，并提供了开源代码。

ABSTRACT

Hippocampus segmentation plays a key role in diagnosing various brain disorders such as Alzheimer's disease, epilepsy, multiple sclerosis, cancer, depression and others. Nowadays, segmentation is still mainly performed manually by specialists. Segmentation done by experts is considered to be a gold-standard when evaluating automated methods, buts it is a time consuming and arduos task, requiring specialized personnel. In recent years, efforts have been made to achieve reliable automated segmentation. For years the best performing authomatic methods were multi atlas based with around 80-85% Dice coefficient and very time consuming, but machine learning methods are recently rising with promising time and accuracy performance. A method for volumetric hippocampus segmentation is presented, based on the consensus of tri-planar U-Net inspired fully convolutional networks (FCNNs), with some modifications, including residual connections, VGG weight transfers, batch normalization and a patch extraction technique employing data from neighbor patches. A study on the impact of our modifications to the classical U-Net architecture was performed. Our method achieves cutting edge performance in our dataset, with around 96% volumetric Dice accuracy in our test data. In a public validation dataset, HARP, we achieve 87.48% DICE. GPU execution time is in the order of seconds per volume, and source code is publicly available. Also, masks are shown to be similar to other recent state-of-the-art hippocampus segmentation methods in a third dataset, without manual annotations.

研究动机与目标

• 开发一种自动化、快速且精确的海马体分割方法，以减少对专家耗时手动标注的依赖。
• 通过将三平面推理与U-Net架构的增强改进相结合，超越现有的多源图谱和深度学习方法。
• 在保持低推理时间与广泛适用性的前提下，实现在海马体分割任务上的最先进性能。
• 在无手动标注的公开数据集上验证该方法，证明其泛化能力与鲁棒性。
• 公开发布源代码，以支持可复现性，并推动神经影像分析领域的进一步研究。

提出的方法

• 该方法采用三个基于2D U-Net的全卷积网络，分别在轴向、矢状和冠状平面上进行训练，以生成体素级预测结果。
• 在U-Net架构中引入残差连接，以改善深层网络中的梯度流动与特征学习。
• 将预训练的VGG权重迁移至编码器分支，以加速收敛并提升特征表示能力。
• 在每个卷积层后应用批量归一化，以稳定并加速训练过程。
• 采用切片提取技术，引入邻近切片的上下文信息，增强局部特征理解能力。
• 通过平均三个平面网络的预测结果，生成最终的分割掩膜，形成共识体素结果。

实验结果

研究问题

• RQ1 与标准2D或3D U-Net方法相比，结合架构增强的三平面2D U-Net变体共识方法是否能实现更优的海马体分割精度？
• RQ2 残差连接、批量归一化和VGG权重迁移在海马体分割任务中各自对性能的影响程度如何？
• RQ3 在缺乏完整体素上下文信息的情况下，使用邻近切片数据在多大程度上提升了模型的泛化能力与鲁棒性？
• RQ4 该方法是否能在无需人工标注验证的公开数据集（如HARP）上实现最先进性能？
• RQ5 该方法的推理速度如何？是否具备在临床或研究场景中实际部署的可行性？

主要发现

• 在作者的私有测试数据集上，该方法实现了约96%的体素Dice系数，表明分割精度极高。
• 在公开的HARP验证数据集上，该方法取得了87.48%的Dice分数，证明其在外部数据上具有强大的泛化能力。
• 在GPU上执行时，单个体积的推理时间仅为数秒，使其适用于临床及高通量应用场景。
• 在第三个未标注数据集上，生成的分割掩膜质量与近期其他最先进方法相当。
• 消融实验表明，架构改进（尤其是残差连接与批量归一化）显著优于基线U-Net模型。
• 开源代码的发布支持了方法的可复现性，并为海马体分割领域的未来基准测试与方法开发提供了便利。