[论文解读] Organ at Risk Segmentation for Head and Neck Cancer using Stratified Learning and Neural Architecture Search

Dazhou Guo, Dakai Jin+8 more|arXiv (Cornell University)|Apr 17, 2020

Head and Neck Cancer Studies参考文献 49被引用 14

一句话总结

该论文提出SOARS，一种用于头颈部器官危及组织（OAR）分割的新型分层学习框架，将OAR分类为锚点、中级和小/难分割（S&H）三类，采用定制化处理工作流与可微神经架构搜索（NAS），针对每类优化网络架构。在42个OAR的数据集上，Dice分数达到75.14%，相比SOTA方法绝对提升4.70%，显著提升了对复杂、低对比度及尺寸多变的OAR分割的准确性与鲁棒性。

ABSTRACT

OAR segmentation is a critical step in radiotherapy of head and neck (H&N) cancer, where inconsistencies across radiation oncologists and prohibitive labor costs motivate automated approaches. However, leading methods using standard fully convolutional network workflows that are challenged when the number of OARs becomes large, e.g. > 40. For such scenarios, insights can be gained from the stratification approaches seen in manual clinical OAR delineation. This is the goal of our work, where we introduce stratified organ at risk segmentation (SOARS), an approach that stratifies OARs into anchor, mid-level, and small & hard (S&H) categories. SOARS stratifies across two dimensions. The first dimension is that distinct processing pipelines are used for each OAR category. In particular, inspired by clinical practices, anchor OARs are used to guide the mid-level and S&H categories. The second dimension is that distinct network architectures are used to manage the significant contrast, size, and anatomy variations between different OARs. We use differentiable neural architecture search (NAS), allowing the network to choose among 2D, 3D or Pseudo-3D convolutions. Extensive 4-fold cross-validation on 142 H&N cancer patients with 42 manually labeled OARs, the most comprehensive OAR dataset to date, demonstrates that both pipeline- and NAS-stratification significantly improves quantitative performance over the state-of-the-art (from 69.52% to 73.68% in absolute Dice scores). Thus, SOARS provides a powerful and principled means to manage the highly complex segmentation space of OARs.

研究动机与目标

• 解决头颈部癌症放疗中42个危及器官（OAR）因观察者间差异大且手动勾画耗时长带来的挑战。
• 克服现有深度学习方法在处理超过40个OAR时的局限性，特别是对小尺寸、低对比度结构的分割困难。
• 通过将OAR按临床勾画实践进行分层分类（锚点、中级、小/难分割），模拟临床流程，提升分割性能。
• 利用可微神经架构搜索（NAS）为每类OAR优化网络架构，自适应选择2D、3D或伪3D卷积，提升性能与效率。
• 在外部数据集（如MICCAI2015）上验证方法的泛化能力与鲁棒性，证明其在真实场景中的适用性。

提出的方法

• 根据临床勾画实践，将OAR分为三类：锚点类（高对比度、稳定）、中级类（低对比度、中等大小）和小/难分割类（极小尺寸、极低对比度）。
• 为每类应用不同的处理框架：先对锚点类OAR进行分割，并将其结果作为空间先验，用于引导中级类与S&H类OAR的分割。
• 为S&H类OAR采用检测-分割联合流程，以应对极端类别不平衡问题，提升定位准确性。
• 实施可微神经架构搜索（NAS），自动为每类OAR选择最优卷积核（2D、3D或伪3D），以优化性能与效率。
• 在包含142名头颈部癌患者、42个手动勾画OAR的综合数据集上，采用4折交叉验证进行模型训练。
• 将锚点类OAR的预测结果作为辅助输入，输入至中级类与S&H类分支，提供空间定位信息，提升分割一致性。

实验结果

研究问题

• RQ1 基于临床勾画实践的分层学习是否能有效提升头颈部癌症中大量多样化OAR的分割性能？
• RQ2 为不同OAR类别（锚点、中级、小/难分割）分别选择最优网络架构（通过可微NAS实现）是否能显著优于固定架构模型？
• RQ3 将锚点类OAR预测结果作为空间先验，是否能显著提升中级类与小/难分割类OAR的分割性能？
• RQ4 SOARS框架在所有OAR类别上的Dice分数、Hausdorff距离与平均表面距离方面，与SOTA方法相比表现如何？
• RQ5 SOARS在外部数据集（如MICCAI2015）上是否具备良好的泛化能力，尤其在不同成像协议与OAR分布条件下？

主要发现

• SOARS在42个OAR数据集上取得75.14%的Dice分数，相比先前SOTA方法（UaNet）绝对提升4.70%，HD误差降低2.22 mm。
• 中级类与小/难分割类OAR分支性能提升最为显著，所有OAR的Dice分数由70.44%提升至75.14%，表明对困难结构具有强大分割能力。
• 可微NAS成功选择出最优架构：锚点与中级类分支以2D与伪3D卷积为主，而S&H类分支则偏好3D卷积，证实3D卷积在小尺寸、低对比度结构中更具优势。
• S&H分支通过检测引导显著受益，使用热力图先验后Dice分数提升0.82%，证明检测机制对罕见与小尺寸OAR具有重要价值。
• 在MICCAI2015外部数据集上，SOARS实现82.4%的平均Dice分数——较UaNet高1.2%，较[9]高2.1%——在视交叉（最困难的OAR）上提升达3.4%。
• 该方法在MICCAI2015的全部9个OAR中表现一致优越，取得7项最佳与2项第二名结果，充分验证其鲁棒性与泛化能力。