[论文解读] Sequential 3D U-Nets for Biologically-Informed Brain Tumor Segmentation

Andrew Beers, Ken Chang+6 more|arXiv (Cornell University)|Sep 9, 2017

Brain Tumor Detection and Classification参考文献 3被引用 33

一句话总结

该论文提出一种用于胶质瘤生物信息脑肿瘤分割的序列3D U-Net框架，通过首先预测整个肿瘤（水肿 + 增强肿瘤 + 非增强肿瘤），然后利用该输出引导分别用于增强肿瘤和非增强肿瘤的独立模型，从而利用解剖学肿瘤层级结构。该方法在BraTS 2017验证集上实现了0.882（整个肿瘤）、0.732（增强肿瘤）和0.730（肿瘤核心）的Dice分数。

ABSTRACT

Deep learning has quickly become the weapon of choice for brain lesion segmentation. However, few existing algorithms pre-configure any biological context of their chosen segmentation tissues, and instead rely on the neural network's optimizer to develop such associations de novo. We present a novel method for applying deep neural networks to the problem of glioma tissue segmentation that takes into account the structured nature of gliomas - edematous tissue surrounding mutually-exclusive regions of enhancing and non-enhancing tumor. We trained multiple deep neural networks with a 3D U-Net architecture in a tree structure to create segmentations for edema, non-enhancing tumor, and enhancing tumor regions. Specifically, training was configured such that the whole tumor region including edema was predicted first, and its output segmentation was fed as input into separate models to predict enhancing and non-enhancing tumor. Our method was trained and evaluated on the publicly available BraTS dataset, achieving Dice scores of 0.882, 0.732, and 0.730 for whole tumor, enhancing tumor and tumor core respectively.

研究动机与目标

• 通过将胶质瘤组织层次的生物知识整合到深度学习模型中，提高脑肿瘤分割的准确性。
• 解决现有深度学习方法在无先验生物约束的情况下从零开始学习组织关联性的局限性。
• 开发一种级联U-Net架构，以尊重水肿、增强肿瘤和非增强肿瘤之间的解剖关系。
• 通过使用整个肿瘤预测作为后续肿瘤亚型的条件输入，提升模型置信度和分割质量。
• 在公开的BraTS 2017数据集上验证该方法，并在挑战赛中实现最先进性能。

提出的方法

• 使用3D U-Net架构对每种组织类型进行基于图像块的分割，输入图像块大小为32×32×32，来自四种MRI序列：T1、T1-增强、T2和FLAIR。
• 首先通过两阶段过程分割整个肿瘤（WT）：在2mm各向同性扫描上进行低分辨率预测，随后在1mm各向同性扫描上进行细化，使用最近邻插值上采样WT标签图。
• 后续用于增强肿瘤（ET）和肿瘤核心（TC）的模型，通过将WT预测作为额外输入通道，以提供空间上下文信息。
• 数据增强包括矢状面翻转，使训练集大小加倍，以及对所有扫描进行均值为零、方差为单位的强度归一化。
• 推理采用滑动窗口方法，使用16个重叠偏移，对重叠图像块的概率进行平均，再进行二值化。
• 后处理使用两个额外的U-Net，通过七通道输入（四种子MRI序列和三个标签图：WT、ET、TC）对ET和TC预测进行细化。

实验结果

研究问题

• RQ1 建模胶质瘤的分层生物结构是否能提升基于深度学习的肿瘤分割性能？
• RQ2 使用具有肿瘤边界先验知识的序列级联U-Net架构，是否能提升如增强和非增强肿瘤等亚型的分割准确性？
• RQ3 将整个肿瘤预测作为条件输入，对后续肿瘤亚型分割的精确度有何影响？
• RQ4 在BraTS 2017挑战中，生物信息启发的架构在多大程度上优于标准端到端U-Net模型？
• RQ5 使用专用细化网络进行后处理，是否能进一步提升分割质量，超过标准形态学操作？

主要发现

• 该序列3D U-Net方法在BraTS 2017验证集上（n = 46）实现了0.882的整个肿瘤分割Dice分数。
• 该方法在增强肿瘤分割中实现了0.732的Dice分数，在BraTS 2017挑战赛61名参赛者中排名第16位。
• 肿瘤核心分割实现了0.730的Dice分数，在挑战赛61个参赛作品中排名第28位。
• 将整个肿瘤预测作为条件输入，显著提升了后续ET和TC分割模型的置信度和准确性。
• 后处理细化U-Net相比标准形态学方法，有效减少了噪声并改善了最终分割边界的连贯性。
• 该模型在不同患者扫描中表现出鲁棒性，尽管存在肿瘤形态和成像协议的差异，其在验证队列中仍保持一致的性能。