[论文解读] Shape-Aware Organ Segmentation by Predicting Signed Distance Maps

Yuan Xue, Hui Tang+7 more|arXiv (Cornell University)|Dec 9, 2019

Advanced Neural Network Applications参考文献 27被引用 13

一句话总结

该论文提出了一种新颖的3D深度学习框架用于器官分割，联合预测有符号距离图（SDMs）和二值分割图，利用SDMs的形状正则化特性以提升分割的平滑度与准确性。通过使用可微分的Heaviside函数和一种新型回归损失函数，对3D U-Net主干网络进行训练，该方法在海马体和头颈部分割数据集上实现了最先进性能，显著降低了Hausdorff距离和平均表面距离，同时Dice分数提升了超过5%。

ABSTRACT

In this work, we propose to resolve the issue existing in current deep learning based organ segmentation systems that they often produce results that do not capture the overall shape of the target organ and often lack smoothness. Since there is a rigorous mapping between the Signed Distance Map (SDM) calculated from object boundary contours and the binary segmentation map, we exploit the feasibility of learning the SDM directly from medical scans. By converting the segmentation task into predicting an SDM, we show that our proposed method retains superior segmentation performance and has better smoothness and continuity in shape. To leverage the complementary information in traditional segmentation training, we introduce an approximated Heaviside function to train the model by predicting SDMs and segmentation maps simultaneously. We validate our proposed models by conducting extensive experiments on a hippocampus segmentation dataset and the public MICCAI 2015 Head and Neck Auto Segmentation Challenge dataset with multiple organs. While our carefully designed backbone 3D segmentation network improves the Dice coefficient by more than 5% compared to current state-of-the-arts, the proposed model with SDM learning produces smoother segmentation results with smaller Hausdorff distance and average surface distance, thus proving the effectiveness of our method.

研究动机与目标

• 解决基于深度学习的器官分割在3D中缺乏形状感知与平滑性的问题，尤其是在2D切片间手动标注不一致的情况下。
• 克服传统分割网络因噪声或稀疏标注导致边界锯齿状或不连续的局限性。
• 通过直接回归有符号距离图（SDMs）引入可微分的、形状感知的正则化，以实现全局结构一致性。
• 通过使用可微分的Heaviside函数联合训练分割图与SDMs，提升分割性能。
• 在单器官（海马体）与多器官（头颈部）分割任务中验证所提方法的有效性。

提出的方法

• 提出一种具有扩展感受野和更深架构的3D U-Net主干网络，以更好地捕捉器官形状与大小的变化。
• 在联合学习框架中训练模型，同时预测二值分割图与有符号距离图（SDM）。
• 在反向传播过程中使用Heaviside阶跃函数的可微分近似，将预测的SDM转换为分割图。
• 提出一种新型回归损失函数，增强不准确SDM预测的梯度，提升训练稳定性和收敛性。
• 利用SDM与二值分割图之间严格的数学映射关系：若SDM < 0，则点在器官内部；若SDM > 0，则点在器官外部。
• 在推理阶段应用Heaviside函数，将预测的SDM转换为最终的分割输出。

实验结果

研究问题

• RQ1 直接回归有符号距离图（SDMs）是否能提升3D医学图像中基于深度学习的器官分割在形状一致性与平滑性方面的表现？
• RQ2 与仅训练分割图相比，使用可微分Heaviside函数联合训练分割图与SDMs对分割性能有何影响？
• RQ3 所提出的回归损失在SDM预测的收敛性与准确性方面是否优于标准L1损失？
• RQ4 SDM学习在小器官（如海马体）与大器官（如下颌骨）上的分割性能提升程度如何？
• RQ5 所提方法是否能泛化至具有不同尺寸与形状的多器官分割任务，如MICCAI 2015头颈部数据集？

主要发现

• 在MICCAI 2015多器官数据集上，该方法实现了5.07 mm的平均Hausdorff距离（HD）和0.39 mm的平均表面距离（ASD），显著优于仅使用Dice损失的基线主干网络。
• 在海马体数据集上，与最先进方法相比，该模型将Dice系数提升了超过5%，展现出更优的分割准确性。
• 与仅使用Dice损失训练相比，联合训练SDM与分割图使HD降低了4.48 mm，ASD降低了0.86 mm。
• 定性结果表明，由预测SDM生成的分割图在3D中显著更平滑，且更准确地保持了器官形状，优于标准模型。
• 消融实验确认，所提出的回归损失能为误差产生更大的梯度幅值，从而实现比L1损失更稳定、更有效的训练。
• 尽管在小器官（如视交叉）上存在挑战，该方法仍保持了整体形状的一致性，并在各器官间生成了稳定的SDM，表明其具有强大的泛化潜力。