[论文解读] Segmenting Brain Tumors with Symmetry

Hejia Zhang, Xia Zhu+1 more|arXiv (Cornell University)|Nov 17, 2017

Brain Tumor Detection and Classification参考文献 8被引用 6

一句话总结

本文提出了一种对称性编码模块，通过在U-Net架构中显式建模大脑的双边对称性，提升了脑肿瘤分割性能。通过使用共享权重处理原始MRI和翻转后的MRI输入，并对高层特征图进行相减，网络能够突出显示与肿瘤相关的不对称性，从而实现更快的收敛速度和更高的Dice分数，且参数量更少，尤其在特征图数量较少时效果更显著。

ABSTRACT

We explore encoding brain symmetry into a neural network for a brain tumor segmentation task. A healthy human brain is symmetric at a high level of abstraction, and the high-level asymmetric parts are more likely to be tumor regions. Paying more attention to asymmetries has the potential to boost the performance in brain tumor segmentation. We propose a method to encode brain symmetry into existing neural networks and apply the method to a state-of-the-art neural network for medical imaging segmentation. We evaluate our symmetry-encoded network on the dataset from a brain tumor segmentation challenge and verify that the new model extracts information in the training images more efficiently than the original model.

研究动机与目标

• 通过将大脑对称性的结构特性融入深度学习模型，提升脑肿瘤分割性能。
• 解决通用分割网络未利用如双边对称性等领域特定解剖学先验的问题。
• 开发一种在特征学习过程中显式突出高层不对称性（可能对应肿瘤区域）的方法。
• 评估对称性编码是否相比标准U-Net能实现更高效、更准确的训练。

提出的方法

• 采用双分支U-Net架构，其中一个分支处理原始MRI，另一个分支处理水平翻转后的版本，两者共享相同的卷积滤波器权重。
• 在多个卷积和池化层之后，对两个分支的高层特征图进行相减，以强调不对称性。
• 将差异张量与原始特征图拼接，以保留空间和上下文信息。
• 该方法应用于最先进的U-Net，对称性编码在编码器的第三或第四模块引入。
• 使用带中位数频率平衡的加权交叉熵损失进行端到端训练，以解决类别不平衡问题。
• 该方法与数据增强不同，因为它同时处理两张图像，并将它们的差异作为学习信号。

实验结果

研究问题

• RQ1 将大脑对称性编码进神经网络是否能提升脑肿瘤分割模型的性能？
• RQ2 与标准U-Net相比，对称性编码是否能带来更快的训练收敛速度？
• RQ3 当网络中特征图数量较少时，分割性能的提升是否更加显著？
• RQ4 模型是否能学会聚焦于更可能对应肿瘤区域的高层不对称性？
• RQ5 与基线U-Net相比，对称性编码网络是否能提取更相关的特征？

主要发现

• 在所有测试配置下，对称性编码的U-Net比标准U-Net收敛所需周期数更少，表明其从训练数据中提取特征的效率更高。
• 当特征图数量较少时（k = 4 或 8），对称性编码模型的平均Dice分数高于标准U-Net，Dice分数最高提升达0.059。
• 当网络宽度较大时（k = 16 或 32），两种模型的Dice分数相近，表明在容量增加后性能增益趋于饱和。
• 由于双分支结构中权重共享，参数量仅增加15%（比例为1.15）。
• 模型聚焦于不对称性的能力使其在较少训练努力下表现更优，尤其在低容量设置下。
• 该方法具有良好的泛化能力，可扩展至3D U-Net及其他需要领域特定归纳偏置的医学图像分割任务。