[论文解读] Improving RetinaNet for CT Lesion Detection with Dense Masks from Weak RECIST Labels

Martin Zlocha, Qi Dou+1 more|arXiv (Cornell University)|Jun 5, 2019

Advanced Neural Network Applications参考文献 14被引用 22

一句话总结

本文提出一种针对CT病灶检测优化的一阶段RetinaNet检测器，通过利用弱RECIST标签生成密集掩码（采用GrabCut算法），实现像素级监督，从而提升训练效果。该方法在DeepLesion基准上实现了90.77%的灵敏度（每幅图像4个假阳性），显著优于先前方法超过5%，达到新的最先进水平。

ABSTRACT

Accurate, automated lesion detection in Computed Tomography (CT) is an important yet challenging task due to the large variation of lesion types, sizes, locations and appearances. Recent work on CT lesion detection employs two-stage region proposal based methods trained with centroid or bounding-box annotations. We propose a highly accurate and efficient one-stage lesion detector, by re-designing a RetinaNet to meet the particular challenges in medical imaging. Specifically, we optimize the anchor configurations using a differential evolution search algorithm. For training, we leverage the response evaluation criteria in solid tumors (RECIST) annotation which are measured in clinical routine. We incorporate dense masks from weak RECIST labels, obtained automatically using GrabCut, into the training objective, which in combination with other advancements yields new state-of-the-art performance. We evaluate our method on the public DeepLesion benchmark, consisting of 32,735 lesions across the body. Our one-stage detector achieves a sensitivity of 90.77% at 4 false positives per image, significantly outperforming the best reported methods by over 5%.

研究动机与目标

• 为解决在全身CT扫描中检测形态多样、尺寸小且对比度低的病灶的挑战，提出一种单一、高效的检测器。
• 通过开发一种一阶段架构，在保持高灵敏度的同时降低推理复杂度，从而超越现有两阶段检测器。
• 利用肿瘤学中常见的临床可获取的弱RECIST标注（通常用于临床评估），生成密集掩码，实现在无需昂贵人工分割的情况下实现像素级监督。
• 使用差分进化算法，专门针对小病灶检测优化锚框配置与特征金字塔结构。
• 通过在边界框与掩码预测之间引入注意力机制与一致性正则化，进一步提升性能。

提出的方法

• 采用VGG-19主干网络重新设计RetinaNet，并使用差分进化搜索算法优化锚框配置，以更好地检测小尺寸及不规则形状的病灶。
• 利用GrabCut算法从弱RECIST直径信息生成高质量的密集病灶掩码，从而在训练过程中实现像素级监督。
• 提出一种多任务训练目标，结合边界框回归与密集掩码预测，并引入一致性正则化以减少假阳性。
• 在特征金字塔网络中引入注意力门模块，以增强病灶区域的特征表示能力。
• 采用焦点损失（focal loss）以缓解训练过程中前景（病灶）与背景区域之间的类别不平衡问题。
• 通过在DeepLesion数据集上进行消融实验，对比不同FP率与病灶尺寸类别下的性能表现，验证改进效果。

实验结果

研究问题

• RQ1 一阶段检测器是否能在全身CT扫描中检测形态多样、尺寸小且对比度低的病灶方面，超越现有两阶段方法？
• RQ2 在无需完整人工分割的情况下，弱RECIST标注在多大程度上可被用于生成准确的密集掩码以支持训练？
• RQ3 与默认设置相比，差分进化在优化医学病灶检测的锚框配置方面是否更有效？
• RQ4 引入密集掩码监督是否能提升检测灵敏度与定位准确性，尤其是对小病灶？
• RQ5 引入注意力机制并加强边界框头与掩码头之间的预测一致性，是否能进一步提升检测器性能？

主要发现

• 所提出的单阶段RetinaNet在DeepLesion基准上实现了每幅图像4个假阳性时90.77%的灵敏度，较之前最先进方法3DCE高出5.12个百分点。
• 仅通过差分进化优化锚框配置，在每幅图像0.5个假阳性时，灵敏度相比基线RetinaNet提升2.34%。
• 在0.5个假阳性时，加入GrabCut生成的密集掩码监督后，灵敏度进一步提升5.42%，证明了像素级训练信号的有效性。
• 注意力门模块的引入进一步提升了整体性能，最终在4个假阳性时达到90.77%的灵敏度，较最佳先前结果在0.5个假阳性时提升10%。
• 模型在所有病灶尺寸类别中均表现出色，尤其在小病灶上提升显著，表明其在早期疾病征象检测方面能力增强。
• 可视化结果表明，生成的掩码空间上具有一致性，且预测结果与真实标注高度对齐，验证了弱监督掩码生成的质量。