[论文解读] Generalized Dice Focal Loss trained 3D Residual UNet for Automated Lesion Segmentation in Whole-Body FDG PET/CT Images

Shadab Ahamed, Arman Rahmim|arXiv (Cornell University)|Sep 24, 2023

Medical Imaging Techniques and ApplicationsMedicine被引用 3

一句话总结

该论文提出了一种使用广义Dice焦点损失训练的3D残差UNet模型，用于全器官FDG-PET/CT图像中的自动病灶分割。在AutoPET 2023数据集上采用5折交叉验证和模型集成推理，该方法在初步测试集上取得了0.5417的Dice分数，FPV和FNV分别为0.82 ml和0.25 ml，表明其在多样、低摄取及解剖结构复杂的病灶上具有稳健性能。

ABSTRACT

Automated segmentation of cancerous lesions in PET/CT images is a vital initial task for quantitative analysis. However, it is often challenging to train deep learning-based segmentation methods to high degree of accuracy due to the diversity of lesions in terms of their shapes, sizes, and radiotracer uptake levels. These lesions can be found in various parts of the body, often close to healthy organs that also show significant uptake. Consequently, developing a comprehensive PET/CT lesion segmentation model is a demanding endeavor for routine quantitative image analysis. In this work, we train a 3D Residual UNet using Generalized Dice Focal Loss function on the AutoPET challenge 2023 training dataset. We develop our models in a 5-fold cross-validation setting and ensemble the five models via average and weighted-average ensembling. On the preliminary test phase, the average ensemble achieved a Dice similarity coefficient (DSC), false-positive volume (FPV) and false negative volume (FNV) of 0.5417, 0.8261 ml, and 0.2538 ml, respectively, while the weighted-average ensemble achieved 0.5417, 0.8186 ml, and 0.2538 ml, respectively. Our algorithm can be accessed via this link: https://github.com/ahxmeds/autosegnet.

研究动机与目标

• 为解决全器官FDG-PET/CT扫描中病灶分割的准确性挑战，这些扫描因病灶多样性、摄取量低以及器官中的生理示踪剂摄取而变得复杂。
• 通过利用公开的AutoPET 2023挑战赛数据集，克服传统阈值法和在小规模私有数据集上训练的深度学习模型的局限性。
• 通过一种结合广义Dice损失与焦点损失的新损失函数，提升在类别不平衡和噪声预测情况下的分割鲁棒性。
• 通过5折交叉验证和模型集成策略（平均与加权平均），提升模型的泛化能力和性能。

提出的方法

• 使用MONAI库训练了一个3D残差UNet模型，输入通道为两个（PET和CT），输出通道为两个（背景和病灶）。
• 应用了全面的预处理流程，包括CT强度截断、SUV转换、身体裁剪以及重采样至2.0 mm各向同性体素。
• 采用广泛的数据增强策略，包括随机空间裁剪、3D平移、轴向旋转、缩放、弹性形变、伽马校正和高斯噪声。
• 提出了广义Dice焦点损失（GDFL），将类别加权的广义Dice损失与焦点损失相结合，以抑制简单样本并提升对罕见或低摄取病灶的分割性能。
• 使用Adam优化器，配合余弦退火学习率调度策略，在300个周期内进行训练，模型选择基于验证集DSC最高者。
• 采用滑动窗口推理方法，使用192×192×192大小的补丁和50%重叠，随后通过平均法和加权平均法进行模型集成，权重基于验证集DSC确定。

实验结果

研究问题

• RQ1 使用广义Dice焦点损失训练的3D残差UNet能否在全器官PET/CT扫描中对多种癌症类型和不同特征的病灶实现稳健的分割？
• RQ2 在类别不平衡和低摄取病灶存在的情况下，广义Dice与焦点损失的结合是否能显著提升分割性能，相比标准Dice损失？
• RQ3 5折交叉验证与模型集成在多大程度上提升了在AutoPET 2023测试集上的泛化能力与性能表现？
• RQ4 数据增强策略是否能有效提升模型对临床PET/CT数据中解剖与强度变化的鲁棒性？

主要发现

• 平均集成在AutoPET 2023初步测试集上取得了0.5417的Dice相似系数（DSC）、0.8261 ml的FPV和0.2538 ml的FNV。
• 加权平均集成实现了相同的DSC（0.5417），但FPV略有改善（0.8186 ml），FNV保持不变（0.2538 ml），表明对假阳性控制更优。
• 在5折交叉验证中，DSC的平均值在0.61至0.64之间，中位数DSC在0.71至0.74之间，表明各折之间具有良好的一致性。
• 模型在低摄取和小病灶上表现优异，表现为FNV极低（0.2538 ml），表明能有效检测出漏诊病灶。
• 表现最佳的折（第0折）DSC为0.61 ± 0.26，中位数为0.71，FPV为4.16 ± 7.79 ml，表明各折间假阳性控制存在一定程度的波动。
• 该模型已通过GitHub公开发布，支持可复现性，并为医学影像社区提供进一步基准测试的基础。