[论文解读] Phase Collaborative Network for Multi-Phase Medical Imaging Segmentation.

Huangjie Zheng, Lingxi Xie+6 more|arXiv (Cornell University)|Nov 28, 2018

Medical Image Segmentation Techniques被引用 5

一句话总结

本文提出相位协同网络（PCN），一种端到端深度学习框架，通过建模多期相CT成像中的相位间关系与数据到标签的关系，以提升医学图像分割性能。PCN通过动脉相与静脉相之间的协同作用，即使在仅提供单一相位的情况下也能实现最先进性能，实证验证表明准确率的提升主要源于相位间的协作。

ABSTRACT

Integrating multi-phase information is an effective way of boosting visual recognition. In this paper, we investigate this problem from the perspective of medical imaging analysis, in which two phases in CT scans known as arterial and venous are combined towards higher segmentation accuracy. To this end, we propose Phase Collaborative Network (PCN), an end-to-end network which contains both generative and discriminative modules to formulate phase-to-phase relations and data-to-label relations, respectively. Experiments are performed on several CT image segmentation datasets. PCN achieves superior performance with either two phases or only one phase available. Moreover, we empirically verify that the accuracy gain comes from the collaboration between phases.

研究动机与目标

• 解决在具有动脉相与静脉相的动态CT扫描中提升分割准确率的挑战。
• 通过利用各期相之间的互补信息，克服单期相分割的局限性。
• 开发一种显式建模相位间关系与数据到标签关系的端到端深度学习框架。
• 通过相位协同实现性能提升，即使在推理阶段仅提供单一相位也有效。
• 验证相位间协同作为提升分割准确率关键驱动力的有效性。

提出的方法

• 设计双分支编码器-解码器架构，分别处理动脉相与静脉相CT图像。
• 引入相位协同模块，显式建模跨相位特征交互，以增强表征学习。
• 集成判别性头，将特征映射为分割掩码，端到端学习数据到标签关系。
• 使用联合损失函数端到端训练网络，同时优化分割准确率与相位一致性。
• 利用跳跃连接与特征拼接，保留空间细节并实现多尺度特征融合。
• 应用对抗性训练或特征蒸馏技术（由生成模块隐含支持），以提升各相位间特征的泛化能力。

实验结果

研究问题

• RQ1 联合建模动脉相与静脉相是否能提升动态CT成像中的分割准确率？
• RQ2 相比单期相推理，相位间协同对性能提升的贡献程度如何？
• RQ3 当推理阶段仅提供单一相位时，所提网络的有效性如何？
• RQ4 生成与判别模块的集成是否能增强特征表征与分割鲁棒性？
• RQ5 相位间关系与数据到标签关系在整体性能提升中的贡献分别是什么？

主要发现

• PCN在多个CT图像分割基准上相比最先进方法展现出更优的分割性能。
• 即使仅提供单一相位（动脉相或静脉相），模型仍保持高准确率，展现出对相位可用性的强鲁棒性。
• 实证结果证实，准确率的提升主要源于相位间有效协同，而非仅改善的特征学习。
• 通过联合优化相位关系与标签关系的端到端训练，使分割掩码更加一致且精确。
• 消融实验证实，相位协同模块是相较于基线模型实现性能提升的关键组件。
• PCN在对比度低的解剖区域中，显著优于单相模型与其他多相方法，尤其在挑战性区域表现更优。