[论文解读] Multi-step Cascaded Networks for Brain Tumor Segmentation

Xiangyu Li, Gongning Luo+1 more|arXiv (Cornell University)|Aug 16, 2019

Brain Tumor Detection and Classification参考文献 11被引用 5

一句话总结

该论文提出了一种多阶段级联3D U-Net架构，用于脑肿瘤分割，以粗到精的方式分割整个肿瘤、肿瘤核心和增强肿瘤，通过利用先前预测结果和深度监督来提高准确性。在BraTS 2019验证集上，其平均Dice分数分别为0.886（整个肿瘤）、0.813（肿瘤核心）和0.771（增强肿瘤）。

ABSTRACT

Automatic brain tumor segmentation method plays an extremely important role in the whole process of brain tumor diagnosis and treatment. In this paper, we propose a multi-step cascaded network which takes the hierarchical topology of the brain tumor substructures into consideration and segments the substructures from coarse to fine .During segmentation, the result of the former step is utilized as the prior information for the next step to guide the finer segmentation process. The whole network is trained in an end-to-end fashion. Besides, to alleviate the gradient vanishing issue and reduce overfitting, we added several auxiliary outputs as a kind of deep supervision for each step and introduced several data augmentation strategies, respectively, which proved to be quite efficient for brain tumor segmentation. Lastly, focal loss is utilized to solve the problem of remarkably imbalance of the tumor regions and background. Our model is tested on the BraTS 2019 validation dataset, the preliminary results of mean dice coefficients are 0.886, 0.813, 0.771 for the whole tumor, tumor core and enhancing tumor respectively. Code is available at https://github.com/JohnleeHIT/Brats2019

研究动机与目标

• 解决在MRI扫描中对复杂、分层的脑肿瘤亚结构进行精确分割的挑战。
• 通过深度监督和数据增强，减少3D U-Net训练中的过拟合和梯度消失问题。
• 通过建模肿瘤亚结构的分层拓扑关系（整个肿瘤 → 肿瘤核心 → 增强肿瘤），提升分割性能。
• 通过在每一步使用模态特异性输入，保持与临床手动分割协议的一致性。
• 通过N4偏置场校正、归一化以及带增强的基于图像块的训练，提升在有限医学影像数据上的泛化能力。

提出的方法

• 采用多阶段级联3D U-Net架构，按粗到精的顺序处理肿瘤亚结构：先分割整个肿瘤（WT），再分割肿瘤核心（TC），最后分割增强肿瘤（ET）。
• 使用模态特异性输入：WT使用FLAIR和T1ce，TC使用T1ce，ET使用T1ce，确保与临床标注协议一致。
• 集成跳跃连接和U-Net编码器-解码器结构，以保留空间上下文信息并支持端到端训练。
• 通过在每一步引入辅助输出实施深度监督，以稳定训练过程并缓解梯度消失问题。
• 在裁剪的3D图像块上应用数据增强（如旋转、翻转、强度抖动），以减少过拟合。
• 使用焦点损失（focal loss）以解决肿瘤区域与背景之间的类别不平衡问题，从而改善对罕见或微小肿瘤亚结构的分割性能。

实验结果

研究问题

• RQ1 与单阶段模型相比，粗到精的级联方法是否能提升对分层脑肿瘤亚结构的分割准确性？
• RQ2 深度监督在缓解3D医学图像分割中的梯度消失和过拟合方面有多有效？
• RQ3 在每一步采用模态特异性输入选择，在多大程度上提升了与临床标注标准的一致性？
• RQ4 在有限的BraTS 2019数据上训练时，数据增强是否显著提升了泛化能力？
• RQ5 焦点损失在类别不平衡的肿瘤分割任务中对性能有何影响？

主要发现

• 该模型在BraTS 2019验证集上对整个肿瘤（WT）亚结构的平均Dice系数达到0.886。
• 肿瘤核心（TC）亚结构的平均Dice分数为0.813，表明在更复杂的分割任务中表现优异。
• 增强肿瘤（ET）亚结构的平均Dice分数为0.771，反映出其因尺寸小、对比度低而具有最高难度。
• TC的Dice分数方差高于ET，表明将WT误分类为TC是常见失败模式，尤其在低级别胶质瘤（LGG）病例中更为明显。
• 该模型在验证集上的性能优于训练集，多数指标均呈现此趋势，表明尽管采用了数据增强和深度监督，仍存在一定程度的过拟合。
• 课程学习和级联步骤的加权训练未带来性能提升，表明对这一架构而言，端到端训练更为有效。