[论文解读] Learnable Hollow Kernels for Anatomical Segmentation.

Elizaveta Lazareva, Oleg Y. Rogov+3 more|arXiv (Cornell University)|Jul 9, 2020

Advanced Neural Network Applications参考文献 20被引用 4

一句话总结

本文提出可学习的中空卷积核，通过模仿膀胱等中空器官的形状与结构复杂性，提升医学影像中的解剖结构分割性能。通过将这些自适应卷积核整合到具备时空建模能力（如Bi-LSTM）的U-Net类网络中，该方法实现了最先进性能，分别在内壁、外壁和肿瘤区域取得了0.936、0.736和0.712的平均Dice分数。

ABSTRACT

Segmentation of certain hollow organs, such as the bladder, is especially hard to automate due to their complex geometry, vague intensity gradients in the soft tissues, and a tedious manual process of the data annotation routine. Yet, accurate localization of the walls and the cancer regions in the radiologic images of such organs is an essential step in oncology. To address this issue, we propose a new class of hollow kernels that learn to 'mimic' the contours of the segmented organ, effectively replicating its shape and structural complexity. We train a series of the U-Net-like neural networks using the proposed kernels and demonstrate the superiority of the idea in various spatio-temporal convolution scenarios. Specifically, the dilated hollow-kernel architecture outperforms state-of-the-art spatial segmentation models, whereas the addition of temporal blocks with, e.g., Bi-LSTM, establishes a new multi-class baseline for the bladder segmentation challenge. Our spatio-temporal model based on the hollow kernels reaches the mean dice scores of 0.936, 0.736, and 0.712 for the bladder's inner wall, the outer wall, and the tumor regions, respectively. The results pave the way towards other domain-specific deep learning applications where the shape of the segmented object could be used to form a proper convolution kernel for boosting the segmentation outcome.

研究动机与目标

• 为解决在具有复杂几何结构和弱强度梯度的中空器官（如膀胱）中实现自动化分割的挑战。
• 通过开发一种形状感知的深度学习方法，减轻繁琐的手动标注负担。
• 通过在卷积核设计中利用器官的内在形状，提升关键结构（尤其是内壁、外壁和肿瘤区域）的分割精度。
• 通过结合时空建模与可学习中空卷积核，建立膀胱分割任务的新多类别基准。

提出的方法

• 提出一类新型可学习中空卷积核，可动态适应目标器官（如膀胱）的形状与结构复杂性。
• 将这些中空卷积核集成到U-Net类架构中，以增强3D医学图像中的空间特征学习能力。
• 应用空洞卷积与中空卷积核，以捕捉长距离依赖关系，同时保留精细的解剖细节。
• 在网络中引入时间建模模块（如Bi-LSTM），以利用动态MRI序列中的时间一致性。
• 采用端到端监督学习方式，使用真实分割掩码训练网络，同步优化卷积核参数与分割头。
• 采用可微分的卷积核生成机制，使网络能够从数据中学习卷积核形状，从而有效模拟器官轮廓。

实验结果

研究问题

• RQ1 能否通过模仿器官形状的可学习中空卷积核，提升在复杂中空器官（如膀胱）中的分割精度？
• RQ2 在仅考虑空间信息的分割任务中，空洞中空卷积核与标准卷积层相比表现如何？
• RQ3 在动态MRI序列中，引入Bi-LSTM时间建模模块在膀胱分割任务中能多大程度上提升性能？
• RQ4 所提出的中空卷积核架构能否泛化至内壁、外壁和肿瘤区域的多类别分割任务？
• RQ5 与现有最先进方法相比，时空中空卷积核模型在定量性能上提升了多少？

主要发现

• 空洞中空卷积核架构在膀胱分割任务中显著优于现有最先进空间分割模型。
• 结合Bi-LSTM时间建模模块的时空模型在膀胱内壁分割中取得了0.936的平均Dice分数。
• 该模型在外壁分割中达到0.736的平均Dice分数，表明其在外壁这一更具挑战性的分割任务中表现优异。
• 该模型在肿瘤区域实现了0.712的平均Dice分数，表明其对病理性结构具有有效的检测能力。
• 所提出的方法在空间与时间建模场景下均建立了膀胱分割挑战的新多类别基准，超越了现有方法。
• 可学习的中空卷积核有效捕捉了中空器官的复杂几何结构，从而提升了分割的保真度与鲁棒性。