[论文解读] Multiple Instance Segmentation in Brachial Plexus Ultrasound Image Using BPMSegNet

Yi Ding, Qiqi Yang+3 more|arXiv (Cornell University)|Dec 22, 2020

Medical Imaging and Analysis参考文献 49被引用 7

一句话总结

该论文提出BPMSegNet，一种用于超声图像中臂丛神经结构多实例分割的深度学习框架，整合了空间局部对比度特征、自注意力门控和改进的特征金字塔上采样方法。该方法在新构建的超声臂丛神经数据集（UBPD）上实现了最先进性能，分割任务的AP分数为58.02（AP50）、48.92（AP60）和37.18（AP），检测任务的AP分数为62.97（AP50）、56.46（AP60）和37.62（AP）。

ABSTRACT

The identification of nerve is difficult as structures of nerves are challenging to image and to detect in ultrasound images. Nevertheless, the nerve identification in ultrasound images is a crucial step to improve performance of regional anesthesia. In this paper, a network called Brachial Plexus Multi-instance Segmentation Network (BPMSegNet) is proposed to identify different tissues (nerves, arteries, veins, muscles) in ultrasound images. The BPMSegNet has three novel modules. The first is the spatial local contrast feature, which computes contrast features at different scales. The second one is the self-attention gate, which reweighs the channels in feature maps by their importance. The third is the addition of a skip concatenation with transposed convolution within a feature pyramid network. The proposed BPMSegNet is evaluated by conducting experiments on our constructed Ultrasound Brachial Plexus Dataset (UBPD). Quantitative experimental results show the proposed network can segment multiple tissues from the ultrasound images with a good performance.

研究动机与目标

• 为解决超声图像中微小、低对比度臂丛神经难以识别的问题，这些神经因噪声、纹理差和边界模糊而难以辨识。
• 通过借鉴临床实践，利用神经与周围组织（肌肉、静脉、动脉）之间的解剖关系，提升实例分割性能。
• 设计一种轻量化、高效的深度学习架构，专用于超声图像分割，提升特征表示与上采样能力。
• 构建一个专用的高质量数据集（UBPD），用于臂丛神经超声分割，以支持基准测试与可复现研究。
• 在检测与分割任务中均优于当前最先进方法（如Mask R-CNN和YOLACT），实现更优性能。

提出的方法

• 提出空间局部对比度特征（SLCF）模块，在局部空间分辨率下计算多尺度对比度特征，以增强微小、不显眼结构（如神经）的可见性。
• 引入自注意力门控（SAG）模块，根据通道的重要性重新加权特征图，聚焦于相关解剖结构并抑制噪声。
• 通过用转置卷积和跳跃连接替代级联上采样，改进特征金字塔网络（FPN），以增强特征流动并保留空间细节。
• 对Mask R-CNN框架进行适配，实现单次前向传播中对多种组织（神经、动脉、静脉、肌肉）的联合检测与分割。
• 设计一种新型网络架构BPMSegNet，整合SLCF、SAG与增强FPN，联合学习多尺度特征与上下文关系。
• 构建超声臂丛神经数据集（UBPD），包含1,000张带像素级掩码的标注超声图像，涵盖五类组织。

实验结果

研究问题

• RQ1 多尺度对比度特征能否提升超声图像中微小、低对比度神经的检测能力？
• RQ2 自注意力机制能否通过选择性强调臂丛神经超声中的相关解剖结构，增强特征表示？
• RQ3 在FPN中集成跳跃连接与转置卷积是否能提升分割精度与边界定位能力？
• RQ4 在专用数据集上训练的深度学习模型能否在臂丛神经实例分割任务中超越现有方法？
• RQ5 所提出的模块（SLCF、SAG、改进FPN）在多大程度上协同增强分割与检测性能？

主要发现

• 所提出的BPMSegNet在UBPD数据集上实现了最先进性能，分割任务的AP50为58.02，AP为37.18，优于Mask R-CNN与YOLACT。
• 在检测任务中，BPMSegNet的AP50为62.97，AP60为56.46，AP为37.62，显著优于Mask R-CNN（AP50为58.00）与YOLACT（AP50为62.01）。
• 消融实验证实，SLCF、SAG与改进FPN三个模块协同贡献显著，仅使用SLCF即使AP50提升3.96分。
• 网络计算开销低，参数量与FLOPs仅比基线略有增加，证明SLCF与SAG的高效性。
• 可视化结果表明，BPMSegNet生成的分割掩码更平滑、更精确，细节更丰富，与真实标注高度一致；而Mask R-CNN常遗漏或错误分类微小结构。
• UBPD数据集为未来研究提供了可靠基准，涵盖多样化的患者数据与专家验证的五类组织标注。