[论文解读] Machine learning methods for accurate delineation of tumors in PET images

Jakub Czakon, Filip Drapejkowski+4 more|arXiv (Cornell University)|Oct 29, 2016

Medical Image Segmentation Techniques参考文献 5被引用 4

一句话总结

本研究评估了三种机器学习方法——空间距离加权模糊c-均值（SDWFCM）、基于词典的建模和三维卷积神经网络（CNN）——在3D PET图像中自动勾画肿瘤的效果。3D CNN在Dice分数上表现最佳（平均0.86，中位数0.89），尤其在幻影数据上优于其他方法，显示出其在肿瘤影像中实现精确且可重复分割的潜力。

ABSTRACT

In oncology, Positron Emission Tomography imaging is widely used in diagnostics of cancer metastases, in monitoring of progress in course of the cancer treatment, and in planning radiotherapeutic interventions. Accurate and reproducible delineation of the tumor in the Positron Emission Tomography scans remains a difficult task, despite being crucial for delivering appropriate radiation dose, minimizing adverse side-effects of the therapy, and reliable evaluation of treatment. In this piece of research we attempt to solve the problem of automated delineation of the tumor using 3d implementations of the spatial distance weighted fuzzy c-means, the deep convolutional neural network and a dictionary model. The methods, in diverse ways, combine intensity and spatial information.

研究动机与目标

• 为解决在PET扫描中手动勾画肿瘤时存在的高观察者间和观察者内变异问题。
• 开发并评估用于3D PET成像中准确肿瘤分割的自动化、可重复方法。
• 将机器学习技术（SDWFCM、DICT和CNN）与经典聚类方法（K-均值、高斯混合模型）在肿瘤勾画中的性能进行比较。
• 评估方法在不同类型数据（临床扫描、幻影数据和模拟扫描）中的鲁棒性。
• 识别最有效的方法以最小化分割误差，并提高放疗计划中的一致性。

提出的方法

• 应用了3D空间距离加权模糊c-均值（SDWFCM），通过基于像素位置相对于聚类中心的距离加权，将空间邻近性整合到模糊聚类中。
• 采用基于词典的模型，使用3×3×3图像块，其中每个测试块根据在学习得到的块-标签对词典中最相似的块进行标记。
• 训练了一个包含三层卷积层、ReLU激活函数和Dropout的3D卷积神经网络（CNN），使用AdaGrad优化算法最小化预测值与真实值之间的欧氏损失。
• 通过旋转变换进行数据增强，以弥补3D CNN方法中训练样本有限的问题。
• 对分割标签应用形态学开运算和闭运算进行清理，但CNN方法除外。
• 通过高斯滤波器模糊锐利区域以提高一致性，但GMM和CNN方法除外。

实验结果

研究问题

• RQ1 与经典聚类方法相比，3D机器学习模型是否能提高PET成像中肿瘤勾画的准确性和可重复性？
• RQ2 在不同数据类型中，空间感知聚类（SDWFCM）、基于块的词典学习（DICT）和深度学习（CNN）在肿瘤分割中的表现如何比较？
• RQ3 自动化方法与人工勾画之间的性能差距如何，特别是在具有挑战性的临床扫描上？
• RQ4 在聚类中引入空间上下文（SDWFCM）或深度特征学习（CNN）是否能带来更好的分割一致性并减少体积误差？
• RQ5 不同方法在临床扫描与幻影和模拟数据上的表现如何，其性能差异的原因是什么？

主要发现

• 3D卷积神经网络（CNN）在所有方法中取得了最高的平均Dice系数（0.86）和中位数（0.89），表现最佳。
• 在幻影扫描中，CNN方法相对于第二好的方法平均性能高出7%，表明其在受控数据中具有强大的鲁棒性。
• 在临床扫描中，CNN平均高估肿瘤体积达22%，而SDWFCM则低估3%，表明在精度与敏感性之间存在权衡。
• CNN和DICT方法的敏感性最高（分别为0.89和0.85），但同时也存在最高的肿瘤体积高估（平均10%）；
• SDWFCM实现了最高的精确度（0.85），但敏感性最低，导致肿瘤体积被低估。
• Clinical_1是最具挑战性的病例，所有方法的Dice分数均未超过0.69，尽管高斯模糊处理改善了该病例的分割效果。