[论文解读] Extraction of Airways using Graph Neural Networks

Raghavendra Selvan, Thomas Kipf+4 more|arXiv (Cornell University)|Apr 12, 2018

Radiomics and Machine Learning in Medical ImagingMedicine参考文献 7被引用 17

一句话总结

本文提出一种基于图神经网络（GNNs）的图自编码器，用于对3D胸部CT扫描中的气道提取进行过完备图的优化，通过节点特征和消息传递来预测连接性。尽管独立的GNN在中心线精度上表现不如平均场网络（MFNs），但与MFN预测结合后，能提升对缺失分支的检测，展示了在医学图优化中端到端学习的潜力。

ABSTRACT

We present extraction of tree structures, such as airways, from image data as a graph refinement task. To this end, we propose a graph auto-encoder model that uses an encoder based on graph neural networks (GNNs) to learn embeddings from input node features and a decoder to predict connections between nodes. Performance of the GNN model is compared with mean-field networks in their ability to extract airways from 3D chest CT scans.

研究动机与目标

• 研究图神经网络（GNNs）在医学图像分析中图优化的应用，特别是针对3D CT扫描中气道树的提取。
• 比较基于GNN的图自编码器与平均场网络（MFNs）在从过完备图中恢复真实气道连接性方面的性能。
• 评估在标注数据有限且解剖结构复杂的场景下，端到端可训练GNN模型的潜力。
• 探索GNN是否能通过检测先前被遗漏的气道分支，与MFNs形成互补。

提出的方法

• 该方法采用基于GNN的编码器的图自编码器，通过输入邻接矩阵和节点特征进行消息传递，学习节点嵌入。
• 编码器采用带有可学习权重和非线性激活的图卷积层公式，基于邻域特征和归一化邻接矩阵更新节点表示。
• 使用径向基函数核解码器，利用学习到的嵌入预测节点之间的边概率，生成预测邻接矩阵。
• 通过Dice损失训练模型权重，以处理边与非边连接之间的类别不平衡问题，优化与真实标签的重叠度。
• 模型在100例CT扫描上进行预训练，使用自动生成的参考分割结果；随后在24例带有专家验证标签的训练扫描上进行微调。
• 最终预测通过中心线距离误差进行评估，计算方式为与参考中心线的误报和漏报距离的平均值。

实验结果

研究问题

• RQ1 图神经网络（GNNs）能否有效实现从3D CT扫描中提取气道树的图优化？
• RQ2 基于GNN的图自编码器在恢复真实气道连接性方面，与平均场网络（MFNs）相比表现如何？
• RQ3 将GNN与MFN预测结合后，是否能比单独使用任一方法更有效地检测缺失的气道分支？
• RQ4 在标注数据有限的情况下，GNN在该医学图优化任务中的性能受多大程度的影响？
• RQ5 当领域知识有限时，端到端可训练的GNN是否相比手工设计的模型（如MFNs）具有优势？

主要发现

• 独立GNN模型的中心线距离误差为3.402 ± 0.386 mm，显著高于MFN的1.703 ± 0.186 mm，表明整体精度较差。
• GNN模型的假阴性距离（d_FN = 2.890 mm）和假阳性距离（d_FP = 3.913 mm）均高于MFN，表明其与参考中心线的对齐效果更差。
• 当与MFN预测结合（GNN+MFN）时，假阴性距离降低至2.014 mm，表明GNN检测到了先前被遗漏的分支。
• 随着训练集规模的增加，GNN模型性能有所提升，表明在更多标注数据下性能可能进一步改善。
• GNN模型未显式建模节点对之间的相互作用，这可能是其性能低于MFNs的原因之一。
• 尽管独立性能较低，GNN在检测缺失分支方面表现出互补价值，凸显其在集成设置中的潜力。