[论文解读] Liver Lesion Segmentation with slice-wise 2D Tiramisu and Tversky loss function

Karsten Roth, Tomasz Konopczyński+1 more|arXiv (Cornell University)|May 9, 2019

Advanced Neural Network Applications参考文献 13被引用 11

一句话总结

该论文提出了一种两阶段、基于切片的2D U-Net与Tiramisu深度学习流水线，用于CT扫描中肝脏病灶的全自动分割。通过结合使用U-Net进行肝脏分割和使用Tversky损失函数训练的Tiramisu网络，该方法在LiTS 2017挑战赛中取得了最先进性能，Dice分数达到0.57（20名中排名第14），表面距离误差较低，相较于基线损失函数表现出更高的敏感性和鲁棒性。

ABSTRACT

At present, lesion segmentation is still performed manually (or semi-automatically) by medical experts. To facilitate this process, we contribute a fully-automatic lesion segmentation pipeline. This work proposes a method as a part of the LiTS (Liver Tumor Segmentation Challenge) competition for ISBI 17 and MICCAI 17 comparing methods for automatics egmentation of liver lesions in CT scans. By utilizing cascaded, densely connected 2D U-Nets and a Tversky-coefficient based loss function, our framework achieves very good shape extractions with high detection sensitivity, with competitive scores at time of publication. In addition, adjusting hyperparameters in our Tversky-loss allows to tune the network towards higher sensitivity or robustness.

研究动机与目标

• 开发一种全自动、端到端的腹部CT扫描肝脏病灶分割流水线，以减少放射科医生对人工或半自动分割的依赖。
• 评估级联U-Net与Tiramisu架构结合Tversky损失函数与标准Dice损失函数的性能对比。
• 通过损失函数调优与网络架构设计，提高病灶分割的敏感性并减少假阳性。
• 评估数据预处理、归一化与空间对齐对分割性能的影响。
• 探索仅使用2D切片方法（无需3D或后处理增强）的可行性，重点聚焦于网络架构与损失函数设计。

提出的方法

• 采用级联流水线：首先，使用二元交叉熵损失和Adam优化在50个周期内对U-Net进行2D切片级肝脏分割。
• 其次，利用肝脏掩码作为空间先验，将Tiramisu网络训练用于病灶分割，以限制预测区域在肝脏范围内。
• Tiramisu网络采用增长率为12的密集块，使用ReLU激活、批量归一化和L2正则化，参数量为180万。
• 应用Tversky损失函数，参数α=0.3（假阴性惩罚）和β=0.7（假阳性惩罚），经调优以减少假阳性。
• 训练使用5个样本的批量大小，在GTX 1070 GPU上进行，通过小幅旋转、平移和缩放实现数据增强。
• 最终推理时间约为每体积7秒，分割在冠状切片上进行，使用以肝脏为中心的224×224裁剪图像。

实验结果

研究问题

• RQ1 两阶段2D U-Net与Tiramisu流水线是否能在不使用3D卷积或复杂后处理的情况下实现具有竞争力的病灶分割性能？
• RQ2 Tversky损失函数相较于标准Dice损失，在减少肝脏病灶分割中的假阳性预测方面表现如何？
• RQ3 将肝脏掩码作为空间先验在多大程度上能提升病灶分割的准确率并减少假阳性？
• RQ4 从零开始训练Tiramisu网络并结合Tversky损失，是否能在不使用迁移学习的情况下实现高敏感性与形状准确性？
• RQ5 结合U-Net进行肝脏分割与Tiramisu进行病灶分割的组合是否优于单网络或基线损失方法？

主要发现

• 基于Tiramisu的流水线在测试集上实现了0.57的Dice分数（20名中排名第14），显著优于仅使用U-Net的基线方法（Dice分数为0.42）。
• 该方法实现了最低的体积重叠误差（VOE）0.34和最低的平均对称表面距离（ASSD）0.95，表明其在形状与边界精度方面表现更优。
• 与标准Dice损失相比，Tversky损失函数减少了假阳性；Tversky训练的模型Dice分数为0.57，而Dice训练的Tiramisu模型为0.45。
• 流水线实现了1.60的均方根偏差（RMSD）和6.81的最大对称表面距离（MSSD），表明具有出色的时空一致性。
• 在GTX 1070 GPU上，每体积的推理时间约为7秒，证明了其实时可行性。
• 尽管性能有所提升，肝脏分割网络仍会漏掉大病灶或边界病灶，且假阳性问题依然存在挑战，尤其是在病灶头部区域。