[论文解读] Kidney tumor segmentation using an ensembling multi-stage deep learning approach. A contribution to the KiTS19 challenge

Gianmarco Santini, Noémie Moreau+1 more|arXiv (Cornell University)|Sep 2, 2019

Renal cell carcinoma treatment参考文献 30被引用 30

一句话总结

本文提出一种基于集成残差U-Net模型的多阶段2.5D深度学习方法，用于在CT扫描中自动分割肾脏和肿瘤，在KiTS19挑战赛测试集上，肾脏的平均Dice分数达到0.96，肿瘤达到0.74，展示了在临床相关分割任务中通过集成学习实现强大泛化能力的优异性能。

ABSTRACT

Precise characterization of the kidney and kidney tumor characteristics is of outmost importance in the context of kidney cancer treatment, especially for nephron sparing surgery which requires a precise localization of the tissues to be removed. The need for accurate and automatic delineation tools is at the origin of the KiTS19 challenge. It aims at accelerating the research and development in this field to aid prognosis and treatment planning by providing a characterized dataset of 300 CT scans to be segmented. To address the challenge, we proposed an automatic, multi-stage, 2.5D deep learning-based segmentation approach based on Residual UNet framework. An ensembling operation is added at the end to combine prediction results from previous stages reducing the variance between single models. Our neural network segmentation algorithm reaches a mean Dice score of 0.96 and 0.74 for kidney and kidney tumors, respectively on 90 unseen test cases. The results obtained are promising and could be improved by incorporating prior knowledge about the benign cysts that regularly lower the tumor segmentation results.

研究动机与目标

• 开发一种自动、准确且鲁棒的方法，用于分割对比增强CT扫描中的健康肾脏和肾脏肿瘤组织。
• 解决在异质性和复杂肾解剖结构中肿瘤分割的挑战，特别是区分肿瘤与良性囊肿。
• 通过多阶段深度学习流水线与模型集成，降低方差并提升泛化能力，从而提高分割性能。
• 通过在300例CT扫描的大规模标注数据集上应用深度学习，为KiTS19挑战赛提供一种可靠、全自动的分割解决方案。

提出的方法

• 采用两阶段深度学习流水线：首先分割肾脏，然后进一步优化以包含肿瘤组织。
• 该方法使用2.5D卷积神经网络，将每个3D体积分解为一系列保留上下文信息的2D轴向切片进行处理。
• 训练了多种残差U-Net和ResNet架构，采用不同的初始化方法、学习率和损失权重配置，以降低过拟合并提高鲁棒性。
• 对存在肿瘤的病例（KT组）选择性应用数据增强技术，包括轴向旋转、水平翻转以及中心裁剪结合缩放，以提升训练多样性。
• 采用集成策略，结合多个独立训练模型的预测结果，以降低方差并提高最终分割精度。
• 预处理包括重采样至3 mm切片厚度、HU窗窗宽设置为-30至300 HU，以及标准化处理，以减少不同扫描间强度异质性。

实验结果

研究问题

• RQ1 与单阶段方法相比，多阶段深度学习方法是否能提升腹部CT扫描中肾脏和肿瘤分割的准确性？
• RQ2 在不同架构和训练配置下进行模型集成，如何影响分割性能和鲁棒性？
• RQ3 2.5D网络在保持计算可行性的同时，能在多大程度上捕捉体素上下文信息？
• RQ4 针对罕见或形态多变的肿瘤病例，有针对性的数据增强策略有何影响？
• RQ5 良性肾囊肿在多大程度上影响肿瘤分割性能？模型能否进一步优化以更好区分囊性与恶性组织？

主要发现

• 所提出的多阶段2.5D深度学习模型在KiTS19挑战赛的90个未见测试病例上，肾脏分割的平均Dice分数达到0.96，肿瘤分割达到0.74。
• 多个模型的集成相比单个模型性能略有提升，集成模型在验证集上的表现为：肾脏0.98 ± 0.01，肿瘤0.73 ± 0.25。
• 采用不同的训练配置，包括不同的权重初始化和损失权重调度，有助于降低泛化误差并提升鲁棒性。
• 仅对存在肿瘤的病例应用数据增强策略，有助于缓解过拟合并提升对形态多变肿瘤的泛化能力。
• 尽管性能表现优异，但对良性囊肿的假阳性以及对微小肿瘤的假阴性仍是挑战，表明在囊性与恶性病变的区分能力上仍有改进空间。
• 由于显存限制，模型无法使用更复杂的架构（如Tiramisu或DeepLab），尽管2.5D输入相比纯2D方法提供了更好的体素上下文信息。