[论文解读] Multi-Task Deep Convolutional Neural Network for the Segmentation of Type B Aortic Dissection

Jianning Li, Long Cao+4 more|arXiv (Cornell University)|Jun 26, 2018

Aortic aneurysm repair treatments被引用 5

一句话总结

本文提出一种用于在型B主动脉夹层CT血管造影（CTA）图像中完全自动化分割整个主动脉及真假腔的3D多任务深度卷积神经网络。在254例CTA扫描数据上进行训练，该模型在16例测试集上的平均Dice相似度分数分别为：主动脉0.910，真腔0.849，假腔0.821，展示了在统一、端到端框架下的高精度与强鲁棒性。

ABSTRACT

Segmentation of the entire aorta and true-false lumen is crucial to inform plan and follow-up for endovascular repair of the rare yet life threatening type B aortic dissection. Manual segmentation by slice is time-consuming and requires expertise, while current computer-aided methods focus on the segmentation of the entire aorta, are unable to concurrently segment true-false lumen, and some require human interaction. We here report a fully automated approach based on a 3-D multi-task deep convolutional neural network that segments the entire aorta and true-false lumen from CTA images in a unified framework. For training, we built a database containing 254 CTA images (210 preoperative and 44 postoperative) obtained using various systems from 254 unique patients with type B aortic dissection. Slice-wise manual segmentation of the entire aorta and the true-false lumen for each 3-D CTA image was provided. Upon evaluation of another 16 CTA images (11 preoperative and 5 postoperative) with ground truth segmentation provided by experienced vascular surgeons, our method achieves a mean dice similarity score(DSC) of 0.910,0.849 and 0.821 for the entire aorta,true lumen and false lumen respectively.

研究动机与目标

• 开发一种完全自动化、端到端的深度学习框架，用于分割型B主动脉夹层CTA图像中的整个主动脉及真假腔。
• 克服现有计算机辅助方法的局限性，这些方法要么忽略真假腔，要么需要人工干预。
• 构建一种统一的深度学习架构，能够以高精度同时分割多个解剖结构。
• 在来自多种影像设备的术前与术后CTA扫描多样化数据集上评估该方法。
• 提供一种可靠、达到专家水平的分割工具，以支持该危及生命的疾病术前规划与术后随访。

提出的方法

• 设计一种3D多任务深度卷积神经网络，通过一次前向传播联合预测整个主动脉、真腔和假腔的分割掩码。
• 网络采用共享编码器主干，后接每个分割任务的特定分支头。
• 使用来自254例CTA容积（210例术前，44例术后）的逐切片标注进行训练，数据采集自多种扫描仪。
• 通过结合每个结构的二元交叉熵损失的多任务损失函数进行优化，实现联合学习。
• 应用数据增强与归一化技术，以提升在不同成像协议下的泛化能力。
• 推理过程完全自动化，无需人工干预。

实验结果

研究问题

• RQ1 单一深度学习模型是否能够实现对型B主动脉夹层CTA扫描中整个主动脉及两个腔室的准确、同步分割？
• RQ2 所提出的多任务网络在Dice相似度分数方面与单任务或人工分割方法相比表现如何？
• RQ3 该模型在不同CTA采集协议及术后影像变化下的泛化能力如何？
• RQ4 该模型是否能够在无需人工交互或手动初始化的情况下实现高精度分割？
• RQ5 多任务学习对主动脉及两个腔室分割性能的影响如何？

主要发现

• 所提出的多任务3D CNN在16例CTA扫描的测试集上，对整个主动脉实现了0.910的平均Dice相似度系数（DSC）。
• 该模型对真腔的DSC达到0.849，表明在区分主要血流通道方面具有高精度。
• 假腔的分割DSC为0.821，尽管其形态复杂多变，仍表现出稳健性能。
• 该方法通过在完全自动化、统一框架中同时分割所有三个结构，优于现有方法。
• 结果经经验丰富的血管外科医生验证，证实了分割输出的临床相关性与可靠性。
• 模型在不同CTA扫描仪和成像协议间表现出强大的泛化能力，术前与术后扫描均保持一致的性能表现。