[论文解读] SCOPE: Structural Continuity Preservation for Medical Image Segmentation

Yousef Yeganeh, Azade Farshad+6 more|arXiv (Cornell University)|Apr 28, 2023

Retinal Imaging and AnalysisMedicine被引用 3

一句话总结

本文提出SCOPE，一种基于图的深度学习方法，通过将解剖拓扑结构建模为图约束，强制实现医学图像分割中的结构连续性。通过将图像块视为节点，并利用带有clDice损失的图卷积网络，SCOPE显著提升了连通性度量指标——拓扑错误减少高达90%——同时在视网膜血管数据集上保持了最先进的像素级分割性能。

ABSTRACT

Although the preservation of shape continuity and physiological anatomy is a natural assumption in the segmentation of medical images, it is often neglected by deep learning methods that mostly aim for the statistical modeling of input data as pixels rather than interconnected structures. In biological structures, however, organs are not separate entities; for example, in reality, a severed vessel is an indication of an underlying problem, but traditional segmentation models are not designed to strictly enforce the continuity of anatomy, potentially leading to inaccurate medical diagnoses. To address this issue, we propose a graph-based approach that enforces the continuity and connectivity of anatomical topology in medical images. Our method encodes the continuity of shapes as a graph constraint, ensuring that the network's predictions maintain this continuity. We evaluate our method on two public benchmarks on retinal vessel segmentation, showing significant improvements in connectivity metrics compared to traditional methods while getting better or on-par performance on segmentation metrics.

研究动机与目标

• 解决深度学习模型在医学图像分割过程中难以保持解剖连续性的问题。
• 将生物结构（如血管）的拓扑结构建模为图约束，以强制实现连通性。
• 不仅提升像素级准确率，还增强拓扑保真度，尤其针对管状结构。
• 开发一种与现有CNN架构无关的方法，可无缝集成至现有网络中。

提出的方法

• 将输入图像划分为非重叠的n×n图像块，将其视为图中的节点，以编码空间拓扑结构。
• 使用图卷积网络（GCNs）在相邻图像块之间传播特征，通过消息传递机制强制实现结构连续性。
• 通过主干网络（DRIU）生成图像块嵌入作为节点特征，并利用跳跃连接将图特征与空间特征融合。
• 采用结合交叉熵与clDice的混合损失函数，以同时优化像素级准确率与连通性。
• 图结构通过相邻图像块之间的1级边连接构建，确保局部邻域一致性。
• 该方法与网络架构无关，可无缝集成至现有的U-Net或注意力机制网络（如DRIU）中。

实验结果

研究问题

• RQ1 基于图的方法是否能在不依赖网络架构先验的前提下，有效保持医学图像分割中的解剖连续性？
• RQ2 通过图卷积施加拓扑约束，相较于标准深度学习模型，能否显著提升连通性度量指标？
• RQ3 图像块大小与损失函数的选择在多大程度上影响视网膜图像中血管连通性的保持？
• RQ4 所提出方法是否能在公开的视网膜血管数据集中，同时超越SOTA模型在分割准确率与拓扑保真度方面的表现？

主要发现

• 在FIVES数据集中，与DRIU相比，SCOPE将$\beta_0$误差降低了90%（从73.8降至12.1），表明其在拓扑保持方面表现更优。
• SCOPE在AMD类别上实现了0.94的clDice分数，优于DRIU（0.87）和RU-UNet（0.87），证明其在连通性建模方面更具优势。
• 消融实验表明，仅使用clDice损失可将$\beta_0$误差降至12.1，而仅使用CE损失则导致误差达52.6，凸显clDice损失在连通性保持中的关键作用。
• 图像块大小分析显示，2×2图像块导致性能下降（如$\beta_0$误差达12.83），表明1×1为保持中心线的最优图像块大小。
• SCOPE在所有类别中均保持了具有竞争力的像素级指标（Dice：0.85–0.91），表明其在分割准确率上无性能折损。
• 定性结果表明，SCOPE在细小或迂曲血管区域成功保持了血管的连续性，而基线方法则引入了虚假的断点。