[论文解读] Infant brain MRI segmentation with dilated convolution pyramid downsampling and self-attention

Zhihao Lei, Lin Qi+2 more|arXiv (Cornell University)|Dec 29, 2019

Neonatal and fetal brain pathology参考文献 13被引用 5

一句话总结

本文提出了一种基于3D-UNet的双聚合网络，用于婴儿脑部MRI分割，整合了空洞卷积金字塔下采样模块以保留空间细节，并引入了自注意力模块以建模长程空间和通道依赖关系。该方法在iSeg-2019跨数据集挑战中取得了最先进性能，WM和GM的Dice分数排名第一，CSF的分数排名第二。

ABSTRACT

In this paper, we propose a dual aggregation network to adaptively aggregate different information in infant brain MRI segmentation. More precisely, we added two modules based on 3D-UNet to better model information at different levels and locations. The dilated convolution pyramid downsampling module is mainly to solve the problem of loss of spatial information on the downsampling process, and it can effectively save details while reducing the resolution. The self-attention module can integrate the remote dependence on the feature maps in two dimensions of spatial and channel, effectively improving the representation ability and discriminating ability of the model. Our results are compared to the winners of iseg2017's first evaluation, the DICE ratio of WM and GM increased by 0.7%, and CSF is comparable.In the latest evaluation of the iseg-2019 cross-dataset challenge,we achieve the first place in the DICE of WM and GM, and the DICE of CSF is second.

研究动机与目标

• 通过解决下采样过程中空间信息丢失的问题，提升婴儿脑部MRI分割的准确性。
• 通过建模空间和通道维度上的长程依赖关系，增强特征表示能力。
• 开发一种在多样化婴儿脑部MRI数据集上具有良好泛化能力的鲁棒分割框架。
• 在iSeg-2017和iSeg-2019等基准数据集上超越现有方法。
• 提出一种双聚合机制，有效整合多层级和多位置的特征。

提出的方法

• 在编码器中引入空洞卷积金字塔下采样模块，替代标准卷积层，以在下采样过程中保留高分辨率空间细节。
• 该模块使用空洞卷积并逐步增加感受野扩张率，以在不降低分辨率的情况下扩大感受野，从而保持细粒度的结构信息。
• 在跳跃连接中加入自注意力模块，以动态加权空间和通道维度上的特征图，提升长程特征整合能力。
• 自注意力机制从特征图中计算查询、键和值矩阵，使模型能够聚焦于显著区域和依赖关系。
• 网络以3D-UNet为主干，将两个模块分别集成到编码器和跳跃连接中，实现端到端训练。
• 采用二元交叉熵损失与Dice损失的组合进行训练，以优化WM、GM和CSF的分割性能。

实验结果

研究问题

• RQ1 空洞卷积金字塔是否能有效减少在3D MRI分割中下采样过程中的空间信息丢失？
• RQ2 自注意力机制在婴儿脑部MRI分割中在多大程度上改善了特征表示？
• RQ3 金字塔下采样与自注意力机制的结合是否在基准数据集中带来更优性能？
• RQ4 在iSeg-2019跨数据集挑战中，该方法与最先进模型相比表现如何？
• RQ5 该模型是否能在不同婴儿脑部MRI扫描协议和解剖变异条件下实现良好泛化？

主要发现

• 与iSeg2017第一名相比，该方法在WM和GM的Dice分数上提升了0.7%。
• 在iSeg-2019跨数据集挑战中，该模型在WM和GM分割的Dice分数上排名第一。
• 在iSeg-2019挑战中，该模型在CSF分割的Dice分数中排名第二。
• 空洞卷积金字塔在下采样过程中有效保留了空间细节，减少了因分辨率降低导致的信息丢失。
• 自注意力模块显著增强了模型捕捉特征图中长程依赖关系的能力。
• 双聚合设计改善了特征表示与判别能力，尤其在婴儿脑部复杂且低对比度区域表现更优。