[论文解读] Improving automated multiple sclerosis lesion segmentation with a cascaded 3D convolutional neural network approach

Sergi Valverde, Mariano Cabezas+8 more|arXiv (Cornell University)|Feb 16, 2017

Digital Imaging for Blood Diseases参考文献 33被引用 15

一句话总结

本文提出一种级联的3D卷积神经网络（CNN），用于多发性硬化（MS）患者白质病变的自动分割，通过两个顺序的3D CNN提升敏感性并减少假阳性。该方法在MICCAI2008挑战赛中表现最佳，当使用T1加权（T1-w）、T2加权（T2-w）和FLAIR序列时，在60种方法中排名第一；即使仅使用T1-w和FLAIR序列，仍保持前三名，展现出在有限训练数据下的强大泛化能力和数据效率。

ABSTRACT

In this paper, we present a novel automated method for White Matter (WM) lesion segmentation of Multiple Sclerosis (MS) patient images. Our approach is based on a cascade of two 3D patch-wise convolutional neural networks (CNN). The first network is trained to be more sensitive revealing possible candidate lesion voxels while the second network is trained to reduce the number of misclassified voxels coming from the first network. This cascaded CNN architecture tends to learn well from small sets of training data, which can be very interesting in practice, given the difficulty to obtain manual label annotations and the large amount of available unlabeled Magnetic Resonance Imaging (MRI) data. We evaluate the accuracy of the proposed method on the public MS lesion segmentation challenge MICCAI2008 dataset, comparing it with respect to other state-of-the-art MS lesion segmentation tools. Furthermore, the proposed method is also evaluated on two private MS clinical datasets, where the performance of our method is also compared with different recent public available state-of-the-art MS lesion segmentation methods. At the time of writing this paper, our method is the best ranked approach on the MICCAI2008 challenge, outperforming the rest of 60 participant methods when using all the available input modalities (T1-w, T2-w and FLAIR), while still in the top-rank (3rd position) when using only T1-w and FLAIR modalities. On clinical MS data, our approach exhibits a significant increase in the accuracy segmenting of WM lesions when compared with the rest of evaluated methods, highly correlating ($r \ge 0.97$) also with the expected lesion volume.

研究动机与目标

• 开发一种基于MRI的自动化、高精度且数据高效的MS患者白质病变分割方法。
• 通过提升小样本数据集上的模型性能，应对手动标注训练数据有限的挑战。
• 通过两级CNN级联结构，减少假阳性，同时保持高敏感性，实现病变检测的优化。
• 在公开和私有临床数据集上评估该方法，确保其在多种成像协议下的鲁棒性。
• 证明级联3D CNN可在极少参数调优下实现高精度，并在小规模训练集上有效减少过拟合。

提出的方法

• 采用两级级联3D CNN架构，第一阶段网络以高敏感性识别候选病变体素。
• 第二阶段网络重新评估第一阶段输出的候选体素，通过在困难样本上微调，有效降低假阳性。
• 每个CNN为7层架构，基于大小为11³的多对比MRI（T1-w、T2-w、FLAIR）图像块进行训练。
• 训练过程中采用类别平衡采样策略，通过下采样非病变体素以缓解类别不平衡，提升泛化能力。
• 方法在单一数据集上端到端训练，但在私有临床数据上测试时展现出良好的跨成像领域泛化能力。
• 网络架构设计力求参数最小化（<190,000），以减少过拟合，尤其适用于训练数据有限的情况。

实验结果

研究问题

• RQ1 级联3D CNN架构是否能通过减少假阳性同时保持高敏感性，提升MS病变分割的准确性？
• RQ2 所提出方法在不同MRI扫描协议和成像领域间的泛化能力如何？
• RQ3 在有限的人工标注训练数据下，级联CNN方法能在多大程度上实现高性能？
• RQ4 在公开和私有MS病变分割基准测试中，该方法与当前最先进方法相比表现如何？
• RQ5 与仅使用部分序列相比，使用多序列MRI（T1-w、T2-w、FLAIR）是否显著提升分割性能？

主要发现

• 所提方法在MICCAI2008挑战赛中表现最佳，当使用全部三种模态（T1-w、T2-w、FLAIR）时，在60种参赛方法中排名第一。
• 即使仅使用T1-w和FLAIR模态，方法仍位列第三，展现出对输入配置的高度鲁棒性与泛化能力。
• 在私有临床数据集上，该方法相比其他最先进方法显著提升了分割精度。
• 该方法与人工病变体积标注具有高度相关性（r ≥ 0.97），表明其与专家读片结果高度一致。
• 级联架构以极少参数（<190,000）实现高性能，可在小样本数据集上有效训练，且无过拟合现象。
• 通过在第一阶段网络输出中最困难的样本上微调第二阶段网络，有效减少了假阳性，提升了特异性，同时未牺牲敏感性。