[论文解读] Multi-stream 3D FCN with Multi-scale Deep Supervision for Multi-modality Isointense Infant Brain MR Image Segmentation

Guodong Zeng, Guoyan Zheng|arXiv (Cornell University)|Nov 28, 2017

Advanced Neural Network Applications参考文献 20被引用 3

一句话总结

本文提出一种多流3D全卷积网络，结合多尺度深度监督与上下文引导，用于对多模态等信号婴儿脑MR图像进行脑脊液（CSF）、灰质（GM）和白质（WM）的分割。该方法在iSeg-2017测试集上实现了95.4%的Dice分数（CSF）、91.6%（GM）和89.6%（WM），表现出对6个月大婴儿脑中低组织对比度的强鲁棒性。

ABSTRACT

We present a method to address the challenging problem of segmentation of multi-modality isointense infant brain MR images into white matter (WM), gray matter (GM), and cerebrospinal fluid (CSF). Our method is based on context-guided, multi-stream fully convolutional networks (FCN), which after training, can directly map a whole volumetric data to its volume-wise labels. In order to alleviate the poten-tial gradient vanishing problem during training, we designed multi-scale deep supervision. Furthermore, context infor-mation was used to further improve the performance of our method. Validated on the test data of the MICCAI 2017 Grand Challenge on 6-month infant brain MRI segmentation (iSeg-2017), our method achieved an average Dice Overlap Coefficient of 95.4%, 91.6% and 89.6% for CSF, GM and WM, respectively.

研究动机与目标

• 为解决因髓鞘化过程进行中而导致T1和T2对比度极低的多模态等信号婴儿脑MR图像分割挑战。
• 通过利用多流3D全卷积网络（FCN），在缺乏强组织对比度的情况下提升分割精度。
• 通过多尺度深度监督缓解训练过程中的梯度消失问题，尤其在标注数据有限的情况下。
• 通过将空间上下文信息整合到网络架构中，提升性能。
• 实现在6个月大婴儿脑中CSF、GM和WM的高精度端到端体部分割。

提出的方法

• 使用多流3D FCN，独立处理T1和T2 MR图像，随后融合特征进行分割。
• 通过在解码器多个阶段添加辅助分类器，实现多尺度深度监督，以稳定训练并改善梯度流动。
• 引入上下文引导特征学习，以增强空间一致性并减少预测中的噪声。
• 采用部分迁移学习以加速小样本数据集上的训练，使用预训练的ImageNet权重进行初始化。
• 推理时采用重叠的64×64×64块，最终概率图通过平均重叠预测获得。
• 应用形态学操作对结果进行优化，以去除孤立体素并填充小孔洞。

实验结果

研究问题

• RQ1 具有多尺度深度监督的多流3D FCN能否在低组织对比度的等信号婴儿脑MR图像上实现鲁棒分割？
• RQ2 多尺度深度监督在数据量有限的情况下如何提升训练稳定性和分割精度？
• RQ3 在3D体数据中，整合空间上下文信息在多大程度上能提升组织分割的精确度？
• RQ4 在iSeg-2017挑战中，该方法与当前最先进方法相比表现如何，特别是在6个月大婴儿脑MRI分割任务中？
• RQ5 上下文引导的特征学习能否改善CSF和GM边界勾勒并减少假阳性？

主要发现

• 在iSeg-2017测试集上，该方法在CSF、GM和WM上的平均Dice重叠系数（DOC）分别达到95.4%、91.6%和89.6%。
• 与不使用上下文信息的基线相比，引入上下文信息后，CSF的DOC提升0.4%，GM提升0.5%，WM提升0.8%。
• 在iSeg-2017挑战中，该方法在21支参赛队伍中排名第三，性能与排名第一、二的队伍非常接近。
• 平均表面距离（ASD）分别为：CSF为0.127 mm，GM为0.341 mm，WM为0.40 mm，表明具有高空间精度。
• 修正的豪斯多夫距离（MHD）分别为：CSF为9.62 mm，GM为6.46 mm，WM为6.78 mm，表明对异常值具有鲁棒性。
• 该方法在标准桌面GPU上每例仅需8秒推理时间，展现出高效的推理性能。