[论文解读] Gland Instance Segmentation by Deep Multichannel Neural Networks

Yan Xu, Yang Li+5 more|arXiv (Cornell University)|Jul 17, 2016

AI in cancer detection被引用 10

一句话总结

本文提出了一种用于结肠组织病理学图像中腺样体实例分割的深度多通道神经网络框架，通过全卷积架构融合前景分割、边缘检测和目标定位特征，实现了最先进的性能。该方法在MICCAI 2015腺样体分割挑战赛中表现优异，通过有效融合多层次上下文、边界和空间线索，无需区域提议或手工设计特征。

ABSTRACT

In this paper, we propose a new image instance segmentation method that segments individual glands (instances) in colon histology images. This is a task called instance segmentation that has recently become increasingly important. The problem is challenging since not only do the glands need to be segmented from the complex background, they are also required to be individually identified. Here we leverage the idea of image-to-image prediction in recent deep learning by building a framework that automatically exploits and fuses complex multichannel information, regional, location and boundary patterns in gland histology images. Our proposed system, deep multichannel framework, alleviates heavy feature design due to the use of convolutional neural networks and is able to meet multifarious requirement by altering channels. Compared to methods reported in the 2015 MICCAI Gland Segmentation Challenge and other currently prevalent methods of instance segmentation, we observe state-of-the-art results based on a number of evaluation metrics.

研究动机与目标

• 为解决结肠组织病理学图像中腺样体形态差异大、具有复杂形态特征的准确腺样体实例分割挑战。
• 克服语义分割和传统实例分割方法在噪声多、异质性强的医学图像中难以区分单个腺样体的局限性。
• 开发一种端到端的深度学习框架，自动学习并融合多通道特征（区域、边界、位置），避免人工特征工程。
• 在形态可变性、异染色性以及H&E染色切片中常见的图像伪影存在的情况下，提升分割的准确性和鲁棒性。

提出的方法

• 该框架采用深度多通道神经网络，处理三种不同的输入通道：前景分割、边缘检测和目标定位特征。
• 使用空洞卷积的全卷积网络（FCNs），在最小化分辨率损失的同时扩展感受野，保留空间细节。
• 各通道的特征图经过拼接后输入融合网络，生成最终的实例分割输出。
• 应用数据增强策略，包括几何变换和强度变换，以增强泛化能力并减少过拟合。
• 采用边缘膨胀技术应对类别不平衡问题，其中边缘像素数量远少于背景和前景像素。
• 通过联合损失函数端到端训练模型，同时优化分割准确率和边界精确度。

实验结果

研究问题

• RQ1 深度多通道框架能否有效结合区域、边界和空间上下文特征，以提升组织病理学图像中的实例分割性能？
• RQ2 所提出的多条神经网络流融合方法与先检测区域再在边界框内分割的级联架构相比，表现如何？
• RQ3 数据增强和边缘膨胀策略在提升不平衡腺样体分割任务中模型的鲁棒性和性能方面，其作用有多大？
• RQ4 空洞卷积的使用是否通过保留空间分辨率并扩展感受野，显著提升分割精度？

主要发现

• 所提出的深度多通道框架在MICCAI 2015腺样体分割挑战赛中达到最先进性能，在多个评估指标上优于现有方法。
• 消融实验证实，同时使用全部三个通道（前景、边缘和位置）相比仅使用两个通道，能获得更优结果。
• 采用空洞卷积显著提升了分割精度，通过扩大感受野而避免过度下采样。
• 数据增强和边缘膨胀策略有效缓解了类别不平衡问题，改善了训练收敛性和边缘检测精度。
• 基于级联方法的基线实验（先检测后在边界框内分割）结果较差，证明了端到端联合学习的优势。