[论文解读] PatchFCN for Intracranial Hemorrhage Detection

Weicheng Kuo, Christian Häne+3 more|arXiv (Cornell University)|Jun 8, 2018

Brain Tumor Detection and Classification参考文献 24被引用 12

一句话总结

PatchFCN 提出了一种基于图像块的全卷积网络，用于头颅CT扫描中颅内出血的语义分割，在训练数据量仅为弱监督方法的1/100的情况下，实现了与人类专家相当的性能（在回顾性测试集上AUC为0.976）。通过基于图像块的训练和滑动窗口推理，该方法在平衡小批量多样性与上下文信息方面优于标准FCN。

ABSTRACT

This paper studies the problem of detecting and segmenting acute intracranial hemorrhage on head computed tomography (CT) scans. We propose to solve both tasks as a semantic segmentation problem using a patch-based fully convolutional network (PatchFCN). This formulation allows us to accurately localize hemorrhages while bypassing the complexity of object detection. Our system demonstrates competitive performance with a human expert and the state-of-the-art on classification tasks (0.976, 0.966 AUC of ROC on retrospective and prospective test sets) and on segmentation tasks (0.785 pixel AP, 0.766 Dice score), while using much less data and a simpler system. In addition, we conduct a series of controlled experiments to understand "why" PatchFCN outperforms standard FCN. Our studies show that PatchFCN finds a good trade-off between batch diversity and the amount of context during training. These findings may also apply to other medical segmentation tasks.

研究动机与目标

• 开发一种基于语义分割的准确检测和定位头颅CT扫描中颅内出血的方法。
• 解决医学影像中针对出血检测缺乏高效语义分割方法的问题。
• 通过使用规模较小但像素级完全标注的数据集，减少对大规模弱监督数据的依赖。
• 理解为何基于图像块的训练在医学图像分割任务中优于标准FCN。
• 在训练过程中优化小批量多样性与上下文信息之间的权衡。

提出的方法

• PatchFCN 在围绕出血区域裁剪的小型随机图像块上训练全卷积网络，以提升局部特征学习能力。
• 该模型使用批归一化，并通过在小图像块上训练提高小批量多样性，从而在数据有限的情况下稳定训练过程。
• 在推理阶段，PatchFCN 在整幅图像上应用滑动窗口策略，以最小化在图像块上训练与在全图上测试之间的分布偏移。
• 通过平均重叠窗口的输出来聚合像素级预测结果，帧级评分则通过计算每张CT切片内像素评分的平均值得到。
• 该方法将出血视为“物质”（流体样区域），而非“物体”（离散对象），以符合临床对定位与量化的需求。
• 消融实验比较了图像块大小、小批量大小和推理策略，以分离出小批量多样性、上下文信息和推理方法带来的性能提升。

实验结果

研究问题

• RQ1 为何基于图像块的训练在颅内出血分割任务中优于标准全卷积网络（FCN）的训练？
• RQ2 在有限的医学数据下，基于图像块的训练中，小批量多样性与上下文长度的最佳平衡点是什么？
• RQ3 与全卷积推理相比，推理阶段采用滑动窗口策略如何减少分布偏移？
• RQ4 图像块大小在多大程度上影响性能？超过某一大小的上下文是否带来边际收益递减？
• RQ5 PatchFCN 和标准FCN依赖哪些视觉线索？这如何影响模型的泛化能力？

主要发现

• 在测试集上，PatchFCN 的像素级平均精度（AP）为0.785，Dice系数为0.766，表现出优异的分割性能。
• 在分类任务中，PatchFCN 在回顾性测试集上AUC为0.976，在前瞻性测试集上为0.966，达到专家水平的性能。
• 当小批量多样性低于N=4时，性能显著下降（N=4时Dice为74.7%，N=2时为57.5%），凸显了小批量多样性的重要性。
• 当图像块大小达到240像素时性能趋于平稳，超过C=240后无进一步增益，表明该任务的最优上下文长度为240像素。
• 滑动窗口推理始终优于全卷积推理，尤其在最小图像块大小（C=80）时提升最大（Dice提升6.1%）。
• 梯度可视化显示，PatchFCN 更关注局部形态学线索，而标准FCN 则学习长距离依赖关系，后者在数据有限时可能产生过拟合。