[论文解读] MAPPING: Model Average with Post-processing for Stroke Lesion Segmentation

Jiayu Huo, Liyun Chen+5 more|arXiv (Cornell University)|Nov 11, 2022

Acute Ischemic Stroke Management被引用 4

一句话总结

本文提出 MAPPING，一种基于后处理的模型平均方法，用于使用 ATLAS v2.0 数据集进行脑卒中病灶分割。通过使用不同配置训练四个多样化的 nnU-Net 模型，并对其预测结果进行集成，随后进行定制化后处理，该方法在 2022 年 MICCAI ATLAS 挑战赛中取得了最高性能，隐藏测试集的 Dice 分数为 0.6667，最终排名为第 1 名。

ABSTRACT

Accurate stroke lesion segmentation plays a pivotal role in stroke rehabilitation research, to provide lesion shape and size information which can be used for quantification of the extent of the stroke and to assess treatment efficacy. Recently, automatic segmentation algorithms using deep learning techniques have been developed and achieved promising results. In this report, we present our stroke lesion segmentation model based on nnU-Net framework, and apply it to the Anatomical Tracings of Lesions After Stroke (ATLAS v2.0) dataset. Furthermore, we describe an effective post-processing strategy that can improve some segmentation metrics. Our method took the first place in the 2022 MICCAI ATLAS Challenge with an average Dice score of 0.6667, Lesion-wise F1 score of 0.5643, Simple Lesion Count score of 4.5367, and Volume Difference score of 8804.9102. Our code and trained model weights are publicly available at https://github.com/King-HAW/ATLAS-R2-Docker-Submission.

研究动机与目标

• 开发一种稳健、可泛化的脑卒中病灶分割方法，能够处理多中心 MRI 数据集中存在的高度变异性。
• 解决在异质性脑卒中 MRI 数据上训练的深度学习模型所面临的过拟合与分布偏移问题。
• 通过模型集成与后处理提升对小病灶和复杂病灶的分割性能。
• 在 ATLAS v2.0 基准测试中实现最先进结果，特别是在隐藏测试集上。
• 为临床和研究环境中的脑卒中病灶分割提供公开可用、可复现的解决方案。

提出的方法

• 使用不同的数据增强、损失函数和训练方案训练四个不同的 nnU-Net 模型，以最大化预测多样性。
• 通过集成四个训练模型的预测结果进行模型平均，以提高鲁棒性并降低方差。
• 实施一种后处理策略，通过形态学操作和连通分量分析去除小的孤立假阳性区域并优化病灶边界。
• 在训练集上采用按大小分层的五折交叉验证，以确保各折中病灶大小分布均衡。
• 采用 MNI-152 模板标准化与配准，以统一不同扫描协议下的输入图像。
• 使用官方 MICCAI 评估平台在公开测试集和隐藏测试集上验证方法，采用严格指标加权以抑制过拟合。

实验结果

研究问题

• RQ1 在多中心 MRI 数据集中，通过不同训练方案的模型平均是否能提升脑卒中病灶分割的泛化能力？
• RQ2 后处理在不导致过拟合的前提下，能在多大程度上优化集成预测结果以提升特定评估指标？
• RQ3 该方法在小病灶和不连通病灶（此类病灶在脑卒中分割中是公认挑战）上的表现如何？
• RQ4 多样化的训练方案与后处理相结合，是否能在 ATLAS v2.0 挑战赛的隐藏测试集上超越单个模型？
• RQ5 该方法在真实临床数据中常见的多样的扫描质量与病灶形态下是否仍能保持高性能？

主要发现

• MAPPING 方法在 2022 年 MICCAI ATLAS 挑战赛中表现最佳，在隐藏测试集上获得第 1 名，Dice 分数为 0.6667。
• 四个多样化模型的集成显著提升了分割精度，尤其在减少假阳性和平滑病灶边界方面优于单个模型。
• 后处理步骤有效减少了小的虚假区域，使病灶层面 F1 分数提升至 0.5643，简易病灶计数分数降低至 4.5367。
• 尽管整体性能强劲，但该方法在极小病灶和不连通结构上仍存在困难，如定性失败案例所示。
• 该方法在不同扫描协议和病灶形态下表现出强鲁棒性，表明其在未见数据上具备优异的泛化能力。
• 最终排行榜得分（加权分 3.317）证实该方法优于其他竞争方法，包括采用更复杂架构的模型。