[论文解读] Fully-automatic segmentation of kidneys in clinical ultrasound images using a boundary distance regression network

Shi Yin, Zhengqiang Zhang+6 more|arXiv (Cornell University)|Jan 5, 2019

Advanced Neural Network Applications参考文献 20被引用 4

一句话总结

本文提出了一种在临床超声图像中实现完全自动化的肾脏分割方法，采用边界距离回归网络。通过利用预训练特征并学习到肾脏边界距离图，该方法在具有可变解剖结构和强度分布的挑战性超声数据上，相较于标准像素分类网络，显著提升了分割精度，达到当前最先进水平。

ABSTRACT

It remains challenging to automatically segment kidneys in clinical ultrasound images due to the kidneys' varied shapes and image intensity distributions, although semi-automatic methods have achieved promising performance. In this study, we developed a novel boundary distance regression deep neural network to segment the kidneys, informed by the fact that the kidney boundaries are relatively consistent across images in terms of their appearance. Particularly, we first use deep neural networks pre-trained for classification of natural images to extract high-level image features from ultrasound images, then these feature maps are used as input to learn kidney boundary distance maps using a boundary distance regression network, and finally the predicted boundary distance maps are classified as kidney pixels or non-kidney pixels using a pixel classification network in an end-to-end learning fashion. Experimental results have demonstrated that our method could effectively improve the performance of automatic kidney segmentation, significantly better than deep learning based pixel classification networks.

研究动机与目标

• 解决由于肾脏形状可变性和强度分布差异导致的临床超声图像中自动肾脏分割的挑战。
• 开发一种完全自动化的分割方法，以减少对手动或半自动干预的依赖。
• 通过在多样化超声图像中建模边界一致性，提升分割精度。
• 将深度特征提取与边界感知回归相结合，实现稳健的器官轮廓勾画。

提出的方法

• 利用自然图像分类任务中预训练的深度神经网络，从超声图像中提取高层特征。
• 采用边界距离回归网络，从每个像素预测到最近肾脏边界的距离图。
• 应用端到端学习框架，利用预测的距离图将像素分类为肾脏或非肾脏区域。
• 使用一个像素分类网络，利用边界距离图进行最终的分割预测。
• 以端到端方式训练整个系统，以优化分割性能。
• 利用跨患者肾脏边界在几何上的一致性，提升模型的泛化能力和鲁棒性。

实验结果

研究问题

• RQ1 与标准像素分类方法相比，边界距离回归是否能提升超声图像中自动肾脏分割的性能？
• RQ2 使用自然图像预训练的特征在医学超声图像分割任务中如何提升性能？
• RQ3 在不同肾脏形态和图像强度下，建模边界一致性在多大程度上能提升分割精度？
• RQ4 结合特征提取、距离回归与分类的端到端学习框架，是否能优于现有的深度学习基线方法？

主要发现

• 所提出的方法在肾脏分割精度上显著优于标准深度学习像素分类网络。
• 使用边界距离图可更精确地定位肾脏边界，尤其在低对比度或噪声较大的超声图像中表现更优。
• 将自然图像预训练特征整合到超声图像中，改善了特征表示，增强了泛化能力。
• 端到端训练策略有效优化了完整分割流程，实现了稳健的分割性能。
• 该方法在多样化患者群体和不同扫描协议下均表现出强大的泛化能力。
• 该方法在评估数据集上达到了当前最先进水平，证实了边界感知回归在医学图像分割中的有效性。