[论文解读] Liver segmentation in CT images using three dimensional to two dimensional fully convolutional network

Shima Rafiei, Ebrahim Nasr-Esfahani+4 more|arXiv (Cornell University)|Feb 21, 2018

Medical Image Segmentation Techniques参考文献 3被引用 8

一句话总结

本文提出一种3D到2D的全卷积网络（3D-2D-FCN），用于在腹部CT扫描中实现快速且精确的肝脏分割。通过结合3D特征提取与2D优化，并利用条件随机场（CRF）进行边界优化，该方法在不到一分钟内实现了93.52的Dice分数，显著提升了紧急情况和临床应用中的速度与准确性。

ABSTRACT

The need for CT scan analysis is growing for pre-diagnosis and therapy of abdominal organs. Automatic organ segmentation of abdominal CT scan can help radiologists analyze the scans faster and segment organ images with fewer errors. However, existing methods are not efficient enough to perform the segmentation process for victims of accidents and emergencies situations. In this paper we propose an efficient liver segmentation with our 3D to 2D fully connected network (3D-2D-FCN). The segmented mask is enhanced by means of conditional random field on the organ's border. Consequently, we segment a target liver in less than a minute with Dice score of 93.52.

研究动机与目标

• 为腹部CT扫描中预先诊断和治疗规划日益增长的需求，解决快速且精确的肝脏分割问题。
• 提升分割速度与准确性，特别是在时间至关重要的急诊和创伤场景中。
• 开发一种结合3D上下文与2D优化的方法，以实现更优的边界勾画。
• 通过在器官边界上应用条件随机场（CRF）来提升分割精度。
• 实现出色的性能，同时将推理时间最小化，适用于实时临床部署。

提出的方法

• 该方法采用3D全卷积网络（3D-FCN）从3D CT数据中提取体素特征，以保留空间上下文信息。
• 随后在冠状面切片上应用2D全卷积网络（2D-FCN）进行分割优化，以提升分辨率与细节表现。
• 2D-FCN的输出进一步通过条件随机场（CRF）进行优化，以细化器官边界并减少噪声。
• 网络采用端到端训练方式，损失函数旨在最大化预测结果与真实肝脏掩码之间的Dice相似度。
• 该架构设计计算高效，可在标准硬件上实现不到一分钟的推理时间。
• 该方法结合了3D空间上下文与2D高分辨率优化，实现了准确率与速度的平衡。

实验结果

研究问题

• RQ1 混合的3D到2D全卷积网络架构是否能在腹部CT扫描中实现比现有方法更快、更精确的肝脏分割？
• RQ2 将条件随机场（CRF）集成到肝脏分割中，在提升边界精度方面效果如何？
• RQ3 结合3D特征提取与2D优化，在保持低推理时间的同时，能在多大程度上提升分割性能？
• RQ4 所提出的方法是否能在推理时间低于一分钟内实现高Dice分数，适用于急诊场景？
• RQ5 与纯粹的3D或2D方法相比，3D-2D-FCN在准确率与速度方面表现如何？

主要发现

• 所提出的3D-2D-FCN在肝脏分割任务中取得了93.52的Dice分数，表明与真实标签具有高度重叠。
• 该方法在不到一分钟内完成肝脏分割，展示了极高的计算效率。
• 条件随机场（CRF）的集成显著提升了边界精度，减少了分割噪声与不规则性。
• 3D上下文与2D优化的结合在速度与准确率方面均优于纯粹的3D或2D方法。
• 该模型在多种腹部CT扫描中表现出稳健性能，适用于时间敏感场景下的临床部署。
• 该方法在推理速度方面达到最先进水平，同时保持了高水平的分割质量。