[论文解读] Hepatic vessel segmentation using a reduced filter 3D U-Net in ultrasound imaging

Bart R. Thomson, Jasper Nijkamp+7 more|arXiv (Cornell University)|Jul 28, 2019

Medical Image Segmentation Techniques被引用 5

一句话总结

本研究提出了一种简化滤波器的3D U-Net，用于在3D和堆叠2D超声图像中实现精确的肝血管分割，分别取得了0.740和0.781的Dice分数，尽管数据有限且图像噪声较大，仍表现出稳健性能，其结果接近放射科医生之间的差异水平。

ABSTRACT

Accurate hepatic vessel segmentation on ultrasound (US) images can be an important tool in the planning and execution of surgery, however proves to be a challenging task due to noise and speckle. Our method comprises a reduced filter 3D U-Net implementation to automatically detect hepatic vasculature in 3D US volumes. A comparison is made between volumes acquired with a 3D probe and stacked 2D US images based on electromagnetic tracking. Experiments are conducted on 67 scans, where 45 are used in training, 12 in validation and 10 in testing. This network architecture yields Dice scores of 0.740 and 0.781 for 3D and stacked 2D volumes respectively, comparing promising to literature and inter-observer performance (Dice = 0.879).

研究动机与目标

• 开发一种基于深度学习的方法，用于自动分割3D和2D超声成像中的肝血管，以支持术中手术规划。
• 解决超声图像中斑点噪声和低对比度带来的血管精确界定困难问题。
• 比较真实3D超声与电磁跟踪获取的2D图像堆叠在分割性能上的差异。
• 将该方法的性能与放射科医生之间的差异水平及现有文献进行对比评估。
• 探索该分割方法在未来手术导航应用中的可行性，包括与MRI图像的配准。

提出的方法

• 采用简化滤波器的3D U-Net架构，每层滤波器数量减少为原来的八分之一，以降低计算负载并避免GPU显存瓶颈。
• 使用Dice损失函数、Adam优化器、L1正则化，并结合旋转、缩放和弹性形变等数据增强技术进行网络训练。
• 输入图像通过3像素的中值滤波器进行预处理以减少噪声，并使用均值强度值进行归一化。
• 在四块NVIDIA 1080 GTX GPU上训练217个周期，将图像下采样至40%分辨率后，每幅图像提取20个大小为152×152×96的图像块。
• 3D和2D超声图像均使用同一网络进行处理，通过添加32×32×32的填充以保持空间一致性。
• 使用Dice和IoU指标在10幅3D和7幅堆叠2D扫描的测试集上评估分割性能。

实验结果

研究问题

• RQ1 简化滤波器的3D U-Net能否在噪声较大的3D和堆叠2D超声图像中实现稳健的肝血管分割？
• RQ2 所提方法的分割性能与放射科医生在血管界定上的差异水平相比如何？
• RQ3 采集方式（真实3D vs. 电磁跟踪的2D图像堆叠）是否显著影响分割精度？
• RQ4 网络学习到的特征是否能在不同超声采集模式间实现良好泛化？
• RQ5 分割质量是否足以支持未来在手术导航系统中的应用，例如基于中心线的与MRI图像配准？

主要发现

• 简化滤波器的3D U-Net在3D超声图像上取得了0.740 ± 0.02的平均Dice分数，表明分割性能出色。
• 对于堆叠2D超声图像，该方法取得了0.781 ± 0.07的Dice分数，优于3D模态，显示出临床应用的潜力。
• 放射科医生之间的差异水平较高，Dice分数为0.879 ± 0.02，表明模型性能已接近专家水平的一致性。
• 模型在下腔静脉区域存在分割不足，尤其是在图像边缘区域，可能由于血管截面可见度不足以及该区域体积贡献较大所致。
• IoU分数分别为3D图像0.584 ± 0.02和2D图像0.645 ± 0.09，与Dice结果一致，表明与真实标注的重叠程度良好。
• 在3D和2D采集方式之间未观察到显著性能差异，表明该模型在不同模态间具有良好的泛化能力。