[论文解读] Multi-Scale Convolutional-Stack Aggregation for Robust White Matter Hyperintensities Segmentation

Hongwei Li, Jianguo Zhang+3 more|arXiv (Cornell University)|Jul 13, 2018

Brain Tumor Detection and Classification参考文献 9被引用 5

一句话总结

本文提出了一种用于鲁棒性白质高信号（WMH）分割的多尺度卷积堆叠聚合网络，采用堆叠全卷积网络（Stack-Net）以保留小病灶的局部空间细节，并通过聚合具有不同感受野的多个Stack-Nets来捕捉多尺度上下文信息。该方法在MICCAI WMH Challenge 2017中取得最先进性能，隐藏测试集上病灶召回率提升4%，F1-score达到76.73%。

ABSTRACT

Segmentation of both large and small white matter hyperintensities/lesions in brain MR images is a challenging task which has drawn much attention in recent years. We propose a multi-scale aggregation model framework to deal with volume-varied lesions. Firstly, we present a specifically-designed network for small lesion segmentation called Stack-Net, in which multiple convolutional layers are connected, aiming to preserve rich local spatial information of small lesions before the sub-sampling layer. Secondly, we aggregate multi-scale Stack-Nets with different receptive fields to learn multi-scale contextual information of both large and small lesions. Our model is evaluated on recent MICCAI WMH Challenge Dataset and outperforms the state-of-the-art on lesion recall and lesion F1-score under 5-fold cross validation. In addition, we further test our pre-trained models on a Multiple Sclerosis lesion dataset with 30 subjects under cross-center evaluation. Results show that the aggregation model is effective in learning multi-scale spatial information.It claimed the first place on the hidden test set after independent evaluation by the challenge organizer. In addition, we further test our pre-trained models on a Multiple Sclerosis lesion dataset with 30 subjects under cross-center evaluation. Results show that the aggregation model is effective in learning multi-scale spatial information.

研究动机与目标

• 为解决在脑部MRI中分割大、小白质高信号的挑战，这些病灶由于空间连续性差而难以检测。
• 保留小病灶的细粒度局部空间信息，这些信息通常在标准全卷积网络中因最大池化操作而丢失。
• 通过使用感受野不同的堆叠卷积层学习多尺度上下文特征，以提升病灶检测能力。
• 在多发性硬化病灶数据集上通过跨中心评估验证多尺度聚合的有效性。

提出的方法

• 提出Stack-Net，一种全卷积网络，其中在每次下采样操作前堆叠多个卷积层，以保留小病灶的局部空间细节。
• 采用类似U-Net的跳跃连接，将编码器中的高分辨率特征传递至解码器，增强特征重建能力。
• 在独立的Stack-Nets中分别使用3×3和5×5的多尺度卷积核，分别学习局部细节（小病灶）和全局上下文（大病灶）。
• 通过投票策略聚合多个Stack-Nets的预测结果：P_aggr = (1/n) × Σ P_i，其中P_i为模型i的3D概率掩码。
• 独立训练各个Stack-Nets，并在推理阶段组合其输出，以提升模型鲁棒性与泛化能力。
• 对聚合后的概率图施加阈值，生成最终的二值化分割掩码。

实验结果

研究问题

• RQ1 与标准单卷积层编码器相比，堆叠卷积结构是否能更好地保留小白质高信号的局部空间信息？
• RQ2 通过聚合具有不同感受野的多个Stack-Nets，是否能提升对小病灶和大病灶的分割性能？
• RQ3 所提出的多尺度聚合模型在独立的多发性硬化病灶数据集上的跨中心评估中效果如何？
• RQ4 与浅层堆叠或单层结构相比，使用更深的卷积堆叠（如3–6层）是否能增强病灶检测能力？
• RQ5 与U-Net集成等最先进方法相比，病灶召回率和F1-score的提升是否具有统计显著性？

主要发现

• 多尺度聚合模型在MICCAI WMH Challenge 2017隐藏测试集上实现了86.96%的病灶召回率，相比之前最先进方法（U-Net集成：82.96%）提升了4%。
• 该模型实现了76.73%的病灶F1-score，优于U-Net集成（76.41%），在精确率与召回率之间表现出更优的平衡。
• 在单个模型中，使用3×3卷积核的Stack-Net取得了最高的病灶F1-score（77.29%），表明其在小病灶检测方面表现优异。
• 在多发性硬化病灶数据集的跨中心评估中，聚合模型实现了49.57%的F1-score，显著优于单个模型（最佳：42.59%）和U-Net集成（42.41%）。
• 尽管存在领域偏移，该聚合模型在MS数据集上仍保持了76.93%的高Dice分数，表明与真实标签具有强重叠。
• 统计分析证实提升具有显著性（p < 0.01），验证了多尺度聚合方法的有效性。