[论文解读] Hyper-Pairing Network for Multi-Phase Pancreatic Ductal Adenocarcinoma Segmentation

Yuyin Zhou, Yingwei Li+6 more|arXiv (Cornell University)|Sep 3, 2019

AI in cancer detection参考文献 19被引用 12

一句话总结

本文提出超配对网络（HPN），一种3D全卷积神经网络，通过超连接和配对损失融合动脉相与静脉相CT影像，显著提升多期胰腺导管腺癌（PDAC）分割性能。HPN在Dice相似系数（DSC）上实现7.73%的绝对提升，达到63.94%，显著优于单期方法及先前最先进模型。

ABSTRACT

Pancreatic ductal adenocarcinoma (PDAC) is one of the most lethal cancers with an overall five-year survival rate of 8%. Due to subtle texture changes of PDAC, pancreatic dual-phase imaging is recommended for better diagnosis of pancreatic disease. In this study, we aim at enhancing PDAC automatic segmentation by integrating multi-phase information (i.e., arterial phase and venous phase). To this end, we present Hyper-Pairing Network (HPN), a 3D fully convolution neural network which effectively integrates information from different phases. The proposed approach consists of a dual path network where the two parallel streams are interconnected with hyper-connections for intensive information exchange. Additionally, a pairing loss is added to encourage the commonality between high-level feature representations of different phases. Compared to prior arts which use single phase data, HPN reports a significant improvement up to 7.73% (from 56.21% to 63.94%) in terms of DSC.

研究动机与目标

• 提升多期CT扫描中胰腺导管腺癌（PDAC）自动分割的性能，尽管临床上推荐使用多期扫描，但其在深度学习模型中仍被低估。
• 解决PDAC中细微纹理差异带来的检测挑战，尤其是在单期影像中。
• 开发一种深度学习框架，有效整合动脉相与静脉相之间的信息，以提升病灶定位与分割性能。
• 通过引入新颖的配对损失，减少不同扫描期之间的视图特异性差异，促进高层特征的一致性。
• 证明端到端的多期学习结合结构化信息交换，优于简单的推理阶段融合或单期基线方法。

提出的方法

• HPN采用双路3D U-Net类似架构，其中一路处理动脉相CT影像，另一路处理静脉相CT影像。
• 在两路对应层之间引入超连接，实现在训练过程中双向的跨路径特征交换。
• 应用配对损失以最小化同一解剖区域在不同扫描期的高层特征表示差异，促进特征一致性。
• 网络通过组合损失函数进行端到端训练：标准交叉熵损失与Dice损失，外加新颖的配对损失以正则化跨期特征对齐。
• 在输入前使用可变形图像配准对动脉相与静脉相进行对齐，确保空间对应性。
• 通过虚拟配对数据集进行数据增强，以提升训练多样性并增强模型鲁棒性。

实验结果

研究问题

• RQ1 能否通过联合处理多期CT数据的深度学习模型，显著提升PDAC分割性能，相较单期模型？
• RQ2 超连接在促进动脉相与静脉相影像流之间有意义的信息交换方面，效果如何，尤其针对肿瘤分割？
• RQ3 引入强制跨期特征一致性的配对损失，是否能提升泛化能力并减少视图特异性差异？
• RQ4 所提出的框架能否检测到单期模型遗漏的PDAC病灶，特别是在模糊或低对比度病灶情况下？
• RQ5 在Dice分数与临床可检测性方面，HPN相较于单期基线与多期融合方法的性能表现如何？

主要发现

• HPN在PDAC病灶分割中达到63.94%的Dice相似系数（DSC），相较先前最先进方法（使用单期数据）实现7.73%的绝对提升。
• 该方法显著优于单期模型（如从56.21%提升至63.94% DSC），甚至在使用超连接的多期基线模型（HyperNet）上也提升2.26个百分点。
• 在11例单期模型均未能检测到PDAC（DSC = 0%）的病例中，HPN成功检测到其中7例，其中一例DSC达61.5%。
• 配对损失显著提升了跨期特征一致性，所有三个目标（正常胰腺、PDAC病灶、胰管）的p值均小于0.0001，具有显著性。
• 通过虚拟配对集进行数据增强可进一步提升性能，尤其在PDAC病灶分割上（如使用3D-ResDSN时提升+0.82% DSC），证实其在数据有限场景下的有效性。
• 用于相位对齐的可变形配准实现平均表面距离为1.01 ± 0.52 mm，结果可接受，支持可靠的多期特征学习。