[论文解读] Neural Network-Based Automatic Liver Tumor Segmentation With Random Forest-Based Candidate Filtering

Grzegorz Chlebus, Hans Meine+2 more|arXiv (Cornell University)|Jun 2, 2017

Brain Tumor Detection and Classification参考文献 4被引用 59

一句话总结

一种使用级联 CNNs 进行肝脏与肿瘤掩模分割的全自动肝脏肿瘤分割方法，随后通过基于随机森林的肿瘤候选筛选来提高特异性。

ABSTRACT

We present a fully automatic method employing convolutional neural networks based on the 2D U-net architecture and random forest classifier to solve the automatic liver lesion segmentation problem of the ISBI 2017 Liver Tumor Segmentation Challenge (LiTS). In order to constrain the ROI in which the tumors could be located, a liver segmentation is performed first. For the organ segmentation, an ensemble of convolutional networks is trained to segment a liver using a set of 179 liver CT datasets from liver surgery planning. Inside of the liver ROI a neural network, trained using 127 challenge training datasets, identifies tumor candidates, which are subsequently filtered with a random forest classifier yielding the final tumor segmentation. The evaluation on the 70 challenge test cases resulted in a mean Dice coefficient of 0.65, ranking our method in the second place.

研究动机与目标

• 推动进行自动肝病变分割，以减少用户交互。
• 通过稳健的肝脏分割将肿瘤搜索限定在肝脏 ROI 内。
• 用一个CNN识别肿瘤候选区域，并用随机森林筛除假阳性。
• 实现有竞争力的 LiTS 挑战表现并分析处理时间。
• 讨论局限性以及 3D 架构和多标签方法的潜在方向。

提出的方法

• 对初始肝脏分割使用三个正交方向的 2D U-net 的集成（轴向、矢状、冠状）。
• 一个 3D U-net 对这三个 2D 输出进行细化并融合，得到最终的肝脏掩模。
• 在肝脏体素上训练的 2D U-net 能在肝脏 ROI 内识别肿瘤候选区域。
• 一个随机森林分类器使用来自原始和细化掩模的 46 个特征来筛选肿瘤候选。
• 后处理包括提取 3D 连通分量并用肝脏分割结果进行掩蔽。

实验结果

研究问题

• RQ1 级联CNN 是否能够可靠地在 CT 体积中分割肝脏和肿瘤区域，以实现完全自动的 LiTS 提交？
• RQ2 基于随机森林的候选筛选是否在不牺牲灵敏度的情况下提高特异性？
• RQ3 在 LiTS 数据上，所提出管道的实际运行时间和局限性是什么？

主要发现

• 70 个 LiTS 测试样本的平均 Dice 系数：0.65（第二名）。
• 每体积总处理时间：约195秒（肝脏分割约65秒，肿瘤分割约49秒，后处理约81秒）。
• 随机森林的肿瘤候选分类准确率：90%。
• 肿瘤分割有时会受到边界肿瘤或肝脏掩模不准确的影响，从而影响最终的肿瘤掩模。
• 训练仅限于肝脏掩模可降低训练时间，但可能在肝脏区域外引入假阳性。
• 边界补丁采样提高灵敏度，但以特异性下降为代价。