[论文解读] LGAN: Lung Segmentation in CT Scans Using Generative Adversarial Network

Jiaxing Tan, Longlong Jing+3 more|arXiv (Cornell University)|Jan 11, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 25被引用 7

一句话总结

该论文提出 LGAN，一种基于生成对抗网络（GAN）的端到端肺部分割框架，采用类似 U-Net 的生成器和基于地球移动（EM）损失的判别器，以提升分割掩膜的真实感与准确性。该方法在 LIDC-IDRI 数据集上实现了平均 3D Dice 分数 0.985 和中位数 0.9864，优于当前最先进方法，同时消除了人工参数调优的需要。

ABSTRACT

Lung segmentation in computerized tomography (CT) images is an important procedure in various lung disease diagnosis. Most of the current lung segmentation approaches are performed through a series of procedures with manually empirical parameter adjustments in each step. Pursuing an automatic segmentation method with fewer steps, in this paper, we propose a novel deep learning Generative Adversarial Network (GAN) based lung segmentation schema, which we denote as LGAN. Our proposed schema can be generalized to different kinds of neural networks for lung segmentation in CT images and is evaluated on a dataset containing 220 individual CT scans with two metrics: segmentation quality and shape similarity. Also, we compared our work with current state of the art methods. The results obtained with this study demonstrate that the proposed LGAN schema can be used as a promising tool for automatic lung segmentation due to its simplified procedure as well as its good performance.

研究动机与目标

• 开发一种端到端、自动化的肺部分割方法，消除传统方法所需的繁琐人工参数调优。
• 通过生成器与判别器之间的对抗训练，结合地球移动（EM）损失，提升分割精度与真实感。
• 构建一个可推广的框架，适用于多种神经网络架构，用于 CT 影像中的肺部分割。
• 基于标准指标（如 3D Dice 分数与形状相似性）在 LIDC-IDRI 数据集上评估性能。
• 确保对小尺寸或靠近边界区域的肺结节实现鲁棒分割，这对早期肺癌检测至关重要。

提出的方法

• 生成器网络基于 U-Net 架构，通过编码空间上下文信息并解码生成高分辨率分割掩膜。
• 判别器通过区分真实肺部掩膜（真实标签）与生成掩膜，结合地球移动（EM）损失，提升特征的真实感。
• 对抗训练通过最小化 GAN 损失实现，其中生成器旨在欺骗判别器，使其将生成掩膜分类为真实。
• 模型采用 Adam 优化器进行端到端训练，结合局部归一化与随机权重初始化。
• 框架在 220 例 CT 扫描上进行评估，采用 3D Dice 分数与形状相似性作为指标。
• 评估了五种不同的判别器架构，基于 EM 损失的判别器表现最佳。

实验结果

研究问题

• RQ1 基于 GAN 的框架是否能相较于传统依赖大量参数的方法实现更优的肺部分割性能？
• RQ2 在判别器中引入地球移动损失是否能提升生成肺部掩膜的真实感与准确性？
• RQ3 所提出的 LGAN 框架是否可在不同神经网络架构中实现良好泛化？
• RQ4 该模型在具有挑战性的病例（如靠近肺部边界区域的结节）上的表现如何？
• RQ5 在 3D Dice 分数与分割质量方面，LGAN 相较于最先进方法的定量提升程度如何？

主要发现

• LGAN 在 LIDC-IDRI 数据集上实现了平均 3D Dice 分数 0.985 和中位数 0.9864，优于当前最先进方法。
• 采用 EM 损失的判别器模型显著优于基础 GAN 框架，证明了所提判别器设计的有效性。
• LGAN 在性能上优于 100 层的 Tiramisu 网络，同时网络更浅、参数效率更高。
• 该方法成功分割了所有肺结节，包括靠近肺部边界区域的结节，证明其在结节检测等下游任务中的鲁棒性。
• LGAN 的端到端特性消除了传统方法所需的繁琐人工参数调优及多步预/后处理流程。
• 生成器的特征图显示，学习到的滤波器能有效捕捉肺部边界，表明其具备强大的空间特征学习能力。