[论文解读] Multimodal Volume-Aware Detection and Segmentation for Brain Metastases Radiosurgery

Szu-Yeu Hu, Wei‐Hung Weng+5 more|arXiv (Cornell University)|Aug 15, 2019

Brain Metastases and Treatment参考文献 11被引用 5

一句话总结

本文提出了一种用于多模态MRI和CT成像中脑转移瘤自动检测与分割的深度学习框架，采用集成3D U-Net与DeepMedic网络，并引入一种新型体积感知Dice损失，以提升对小病灶的敏感性。该方法实现了74.0%的DSC和80.3%的召回率，显著优于基线模型，为人工智能辅助立体定向放射外科治疗计划设立了新基准。

ABSTRACT

Stereotactic radiosurgery (SRS), which delivers high doses of irradiation in a single or few shots to small targets, has been a standard of care for brain metastases. While very effective, SRS currently requires manually intensive delineation of tumors. In this work, we present a deep learning approach for automated detection and segmentation of brain metastases using multimodal imaging and ensemble neural networks. In order to address small and multiple brain metastases, we further propose a volume-aware Dice loss which optimizes model performance using the information of lesion size. This work surpasses current benchmark levels and demonstrates a reliable AI-assisted system for SRS treatment planning for multiple brain metastases.

研究动机与目标

• 为解决立体定向放射外科（SRS）治疗计划中脑转移瘤手动勾画耗时且结果不一致的临床挑战。
• 提升自动化分割性能，特别是对临床实践中常被遗漏的小病灶和多发性转移瘤的检测能力。
• 开发一种利用多模态MRI和CT成像的深度学习框架，以实现更精确和鲁棒的肿瘤边界勾画。
• 引入一种体积感知Dice损失，通过根据病灶大小对损失进行加权，优化模型性能，增强对小转移瘤的敏感性。

提出的方法

• 利用MRI和CT的多模态输入，提升肿瘤检测的解剖结构和组织对比度保真度。
• 采用3D U-Net与DeepMedic网络的集成模型，结合U-Net的全脑上下文感知能力与DeepMedic对小区域的局部聚焦能力。
• 提出一种体积感知Dice损失（ℓ_vol-dice），根据病灶体积重新加权损失贡献，使用对角矩阵W对肿瘤体积进行平方根倒数加权。
• 应用两种重加权策略：恒定重加权（λc）和批量重加权（λl），其中λl为每个训练批次中最大的肿瘤体积。
• 使用归一化常数C，确保ℓ_vol-dice的最大值为1，保持与标准Dice损失缩放的一致性。
• 使用中位数DSC、精确率和召回率对模型进行训练与评估，分别计算小病灶（≤1500 mm³）和大病灶（>1500 mm³）的指标。

实验结果

研究问题

• RQ1 使用多模态MRI和CT的深度学习模型是否能相比单模态方法显著提升脑转移瘤分割的准确性？
• RQ2 如何优化深度学习模型以提升对小脑转移瘤的检测能力，这些病灶在SRS中至关重要但常被遗漏？
• RQ3 一种根据病灶大小加权的体积感知损失函数是否能带来更好的分割性能，特别是对小转移瘤？
• RQ4 结合3D U-Net与DeepMedic网络的集成学习方法是否能相比单一模型提升整体分割性能？
• RQ5 所提出的方法在多大程度上减少了SRS治疗计划中肿瘤勾画的观察者间差异？

主要发现

• 体积感知Dice损失（ℓ_vol-dice）显著提升了对小脑转移瘤的检测能力，像素级召回率从标准Dice的0.466提升至0.633。
• 小病灶的病灶级召回率从0.619提升至0.672，表明对小病灶的敏感性显著增强。
• 采用ℓ_vol-dice的集成模型（3D U-Net + DeepMedic）实现了0.740的DSC，优于次优模型的0.719，创下新基准。
• 对于大病灶（>1500 mm³），ℓ_vol-dice的性能与标准Dice损失相当（DSC：0.828 vs. 0.826），表明对大病灶无性能下降。
• 该方法实现了0.803的高召回率，表明对各类大小的转移瘤均具备强大的检测能力，这对SRS计划至关重要。
• 该框架在面对标注差异和主观临床决策时表现出鲁棒性，体现在各类不同病例中性能保持一致。