[论文解读] Iterative fully convolutional neural networks for automatic vertebra segmentation.

Nikolas Leßmann, Bram van Ginneken+2 more|arXiv (Cornell University)|Apr 11, 2018

Medical Imaging and Analysis参考文献 49被引用 11

一句话总结

本文提出一种带有实例记忆的迭代全卷积神经网络，用于自动分割不完整CT扫描中的椎体，其中仅可见部分椎体。通过迭代检测并分类每个椎体为完整或部分可见，该方法在脊柱分割挑战赛中取得95.8%的平均Dice分数，在低剂量胸部CT扫描中取得92.1%的分数。

ABSTRACT

Precise segmentation of the vertebrae is often required for automatic detection of vertebral abnormalities. This especially enables incidental detection of abnormalities such as compression fractures in images that were acquired for other diagnostic purposes. While many CT and MR scans of the chest and abdomen cover a section of the spine, they often do not cover the entire spine. Additionally, the first and last visible vertebrae are likely only partially included in such scans. In this paper, we therefore approach vertebra segmentation as an instance segmentation problem. A fully convolutional neural network is combined with an instance memory that retains information about already segmented vertebrae. This network iteratively analyzes image patches, using the instance memory to search for and segment the first not yet segmented vertebra. At the same time, each vertebra is classified as completely or partially visible, so that partially visible vertebrae can be excluded from further analyses. We evaluated this method on spine CT scans from a vertebra segmentation challenge and on low-dose chest CT scans. The method achieved an average Dice score of 95.8% and 92.1%, respectively, and a mean absolute surface distance of 0.194 mm and 0.344 mm.

研究动机与目标

• 解决在未覆盖整个脊柱的CT扫描中分割椎体的挑战。
• 实现椎体异常（包括压缩性骨折等偶然发现）的自动检测。
• 通过分类并排除后续处理中的部分可见椎体，处理仅部分可见于扫描中的椎体。
• 开发一种使用记忆增强全卷积网络进行迭代分割椎体的方法。

提出的方法

• 该方法将椎体分割建模为使用全卷积神经网络（FCN）的实例分割问题。
• 引入实例记忆以存储先前分割椎体的特征，用于迭代检测下一个未分割的椎体。
• 网络迭代处理图像块，利用实例记忆定位并分割第一个未分割的椎体。
• 根据椎体在扫描中的空间范围，将每个分割的椎体分类为完全可见或部分可见。
• 部分可见的椎体被排除在进一步分析之外，以提高对完全可见结构的分割准确性。
• 该网络在公开的脊柱分割挑战赛和低剂量胸部CT扫描的脊柱CT扫描数据上进行训练和评估。

实验结果

研究问题

• RQ1 带有实例记忆的迭代FCN能否有效分割未覆盖整个脊柱的CT扫描中的椎体？
• RQ2 该方法在仅部分椎体可见的扫描中表现如何？
• RQ3 将椎体分类为完全或部分可见是否能提高分割准确性？
• RQ4 与标准剂量脊柱扫描相比，该方法在低剂量胸部CT扫描中的表现如何？

主要发现

• 该方法在椎体分割挑战赛提供的脊柱CT扫描数据集上取得了95.8%的平均Dice分数。
• 在低剂量胸部CT扫描中，该方法取得了92.1%的Dice分数，表明其在临床相关的低剂量成像中表现优异。
• 在脊柱CT数据集上，平均表面距离为0.194 mm，表明几何精度很高。
• 在低剂量胸部CT扫描中，平均表面距离为0.344 mm，反映出由于图像噪声或分辨率较低导致误差略有增加。
• 实例记忆的集成实现了在不完整扫描中对椎体的鲁棒迭代检测。
• 将椎体分类为完全或部分可见，有效减少了不完整结构在后续分析中的干扰。