[论文解读] Isointense infant brain MRI segmentation with a dilated convolutional neural network

Pim Moeskops, Josien P. W. Pluim|arXiv (Cornell University)|Aug 9, 2017

Advanced Neural Network Applications参考文献 7被引用 9

一句话总结

本研究提出了一种混合深度学习方法，结合空洞三平面2D卷积神经网络（CNN）与非空洞3D CNN，用于对6个月大婴儿脑部MRI扫描中白质、灰质和脑脊液进行分割，该扫描具有较低的组织对比度。该方法在验证集上实现了较高的Dice分数（白质平均0.874，灰质平均0.877，脑脊液平均0.932），通过利用多平面上下文和3D体积分割建模，其性能优于共享权重的三平面网络。

ABSTRACT

Quantitative analysis of brain MRI at the age of 6 months is difficult because of the limited contrast between white matter and gray matter. In this study, we use a dilated triplanar convolutional neural network in combination with a non-dilated 3D convolutional neural network for the segmentation of white matter, gray matter and cerebrospinal fluid in infant brain MR images, as provided by the MICCAI grand challenge on 6-month infant brain MRI segmentation.

研究动机与目标

• 解决6个月大婴儿脑部MRI扫描中白质与灰质之间组织对比度低的挑战。
• 开发一种深度学习方法，即使在早期神经发育阶段T1/T2对比度有限的情况下，也能实现精确分割。
• 研究空洞卷积与三平面特征提取在捕捉婴儿脑部MRI多尺度空间上下文方面的有效性。
• 评估将空洞三平面网络与非空洞3D CNN结合以提升体积分割性能的增益效果。
• 针对MICCAI 6个月大婴儿脑部MRI分割挑战数据集，优化网络架构以实现鲁棒性与泛化能力。

提出的方法

• 在冠状面、矢状面和轴面三个平面上，采用空洞三平面CNN并逐步增加空洞率（1, 2, 4, 8, 16），以扩大感受野而不增加参数量。
• 为三个三平面分支分别使用独立的权重，以允许平面特异性特征的独立学习。
• 引入一个非空洞3D CNN分支，通过3D卷积建模跨切片的体积分隔上下文与空间依赖性。
• 在最终的1×1×1分类层之前，将所有四个分支（三个三平面、一个3D）的特征图进行拼接。
• 全程应用批量归一化与ReLU激活函数，并在最终层前应用Dropout以防止过拟合。
• 使用Adam优化器，以小批量（200–300个样本）进行训练，损失函数为交叉熵，共训练10个周期。

实验结果

研究问题

• RQ1 空洞三平面CNN是否能有效捕捉低对比度婴儿脑部MRI中的多尺度空间上下文，从而提升分割性能？
• RQ2 与共享权重相比，为每个三平面分支使用独立权重是否能提升分割精度？
• RQ3 通过引入非空洞3D CNN分支，是否能通过建模3D体积分隔关系进一步提升性能？
• RQ4 与标准2D或3D CNN相比，所提出的混合架构在MICCAI 6个月大婴儿脑部MRI分割基准上的表现如何？
• RQ5 在组织对比度极低的等信号婴儿脑部MRI中，分割白质、灰质和脑脊液的最优网络配置是什么？

主要发现

• 采用独立权重的三平面网络在验证集上实现了白质平均Dice分数0.868、灰质0.871、脑脊液0.908。
• 三平面与3D网络结合的混合架构表现最佳，白质平均Dice分数为0.874，灰质为0.877，脑脊液为0.932。
• 引入非空洞3D CNN分支显著提升了分割精度，尤其对脑脊液的提升明显，单个验证图像的Dice分数达到0.948。
• 该方法表现出良好的泛化能力，在测试集上也取得了高性能，结果已发布在MICCAI大型挑战赛官网。
• 全卷积设计支持对任意尺寸输入进行推理，单张全图的分割耗时约一分钟（在NVIDIA Titan X Pascal GPU上）。