[论文解读] NaviAirway: a Bronchiole-sensitive Deep Learning-based Airway Segmentation Pipeline

Andong Wang, Terence Chun Tam+3 more|arXiv (Cornell University)|Mar 8, 2022

Lung Cancer Diagnosis and Treatment被引用 10

一句话总结

NaviAirway 是一种基于深度学习的气道分割流程，通过引入一种支气管敏感损失函数和一种迭代训练策略，提升了胸部 CT 扫描中的拓扑准确性，解决了不同气道世代之间的尺寸失衡问题。该方法在检测细小支气管方面优于现有方法，并在多种 CT 扫描中表现出良好的泛化能力，且在多个主干模型上均取得了性能提升。

ABSTRACT

Airway segmentation is essential for chest CT image analysis. Different from natural image segmentation, which pursues high pixel-wise accuracy, airway segmentation focuses on topology. The task is challenging not only because of its complex tree-like structure but also the severe pixel imbalance among airway branches of different generations. To tackle the problems, we present a NaviAirway method which consists of a bronchiole-sensitive loss function for airway topology preservation and an iterative training strategy for accurate model learning across different airway generations. To supplement the features of airway branches learned by the model, we distill the knowledge from numerous unlabeled chest CT images in a teacher-student manner. Experimental results show that NaviAirway outperforms existing methods, particularly in the identification of higher-generation bronchioles and robustness to new CT scans. Moreover, NaviAirway is general enough to be combined with different backbone models to significantly improve their performance. NaviAirway can generate an airway roadmap for Navigation Bronchoscopy and can also be applied to other scenarios when segmenting fine and long tubular structures in biomedical images. The code is publicly available on https://github.com/AntonotnaWang/NaviAirway.

研究动机与目标

• 为解决气道分割中的拓扑不准确问题，特别是由于体素级类别不平衡而导致的细小支气管检测失败。
• 克服低代与高代气道之间的尺寸失衡问题，即大支气管在体积上占主导地位，但细小支气管在临床上至关重要。
• 通过迭代训练策略和从未标注数据中进行知识蒸馏，提升跨气道世代的模型泛化能力和特征学习。
• 开发一种即插即用的框架，兼容多种主干模型，以提升其分割性能。
• 实现用于导航支气管镜的准确 3D 气道导航图生成，以及生物医学影像中细小管状结构的分割。

提出的方法

• 提出一种支气管敏感损失函数 $\mathfrak{L}_{pen}$，对中等置信度的气道预测进行惩罚，并抑制低置信度的假阳性，从而增强对细小支气管的检测。
• 引入一种受人类视觉感知启发的迭代训练策略，使模型在低代与高代气道之间交替关注，以在不同世代间保留学习到的特征。
• 采用教师-学生蒸馏框架，利用大量未标注的 CT 扫描图像，将气道分支特征的知识进行迁移，从而在无需人工标注的情况下提升特征表示能力。
• 基于比例 $r_i^j \approx 2/\hat{r}$ 的采样策略，平衡训练过程中气道分支的体积，减轻尺寸失衡的影响。
• 将该流程应用于多种主干模型（3D U-Net、V-Net、VoxResNet、Wang et al.）而无需超参数调优，证明了其广泛的兼容性和性能提升。
• 将标准指标替换为调整后的版本——调整后检测到的分支数（ABD）和调整后检测到的树长（ATD）——以考虑参考标签中遗漏的真实分支。

实验结果

研究问题

• RQ1 能否设计一种损失函数，优先检测细小支气管并抑制噪声，从而提升气道分割中的拓扑准确性？
• RQ2 尽管存在严重的尺寸失衡，深度学习模型如何能有效学习到截然不同的气道世代之间的特征？
• RQ3 从未标注的 CT 扫描中进行知识蒸馏在多大程度上能改善气道分割的特征学习？
• RQ4 迭代训练策略是否能提升模型在不同 CT 扫描仪和医疗机构之间的性能与泛化能力？
• RQ5 所提出的流程能否有效与多种主干架构结合，以提升其分割性能？

主要发现

• NaviAirway 显著提升了对高代支气管的检测能力，在 QMH 数据集上达到 95.4% 的敏感度和 90.2% 的分支检测率（BD），优于现有方法。
• 在 BAS 数据集上，模型实现了 114.2% 的调整后分支检测率（ABD）和 113.2% 的调整后树长检测率（ATD），表明其检测到的真支气管数量超过了参考标签。
• 在未见过的 QMH 数据集上，NaviAirway 仍保持强劲性能，达到 132.4% ABD 和 108.6% ATD，证明其对新数据和扫描仪差异具有鲁棒性。
• 当应用于 3D U-Net、V-Net、VoxResNet 和 Wang et al. 的模型时，NaviAirway 在无需超参数调优的情况下显著提升了所有主干模型的性能，证实了其泛化能力。
• 支气管敏感损失函数有效惩罚了中等置信度的预测，并拒绝了低置信度的噪声，如 $\mathfrak{L}_{pen}$ 的导数分析所示。
• 迭代训练策略在高代气道微调过程中有效防止了低代气道特征的灾难性遗忘，从而保持了拓扑完整性。