[论文解读] Small Organ Segmentation in Whole-body MRI using a Two-stage FCN and Weighting Schemes

Vanya V. Valindria, Ioannis Lavdas+5 more|arXiv (Cornell University)|Jul 30, 2018

Radiomics and Machine Learning in Medical Imaging参考文献 15被引用 4

一句话总结

该论文提出了一种两阶段全卷积网络（FCN），结合类别加权和空间先验，以提升全器官MRI中小器官的分割性能。通过融合加权-FCN进行粗分割、自上下文（auto-context）进行上下文细化，以及多图谱先验进行定位，该方法在小器官上的Dice相似系数（DSC）达到0.560，显著优于基线FCN（0.244 DSC）和当前最先进方法。

ABSTRACT

Accurate and robust segmentation of small organs in whole-body MRI is difficult due to anatomical variation and class imbalance. Recent deep network based approaches have demonstrated promising performance on abdominal multi-organ segmentations. However, the performance on small organs is still suboptimal as these occupy only small regions of the whole-body volumes with unclear boundaries and variable shapes. A coarse-to-fine, hierarchical strategy is a common approach to alleviate this problem, however, this might miss useful contextual information. We propose a two-stage approach with weighting schemes based on auto-context and spatial atlas priors. Our experiments show that the proposed approach can boost the segmentation accuracy of multiple small organs in whole-body MRI scans.

研究动机与目标

• 解决由于极端类别不平衡和边界微弱导致的全器官MRI中小器官精准分割的挑战。
• 克服标准深度学习模型在小器官上表现不佳的问题，原因在于像素占用率低且背景复杂。
• 通过整合端到端的粗到细架构与上下文及解剖先验，提升分割精度。
• 评估类别加权、自上下文和空间先验对MRI中多器官分割性能的影响。
• 超越单一器官或基于CT的方法，扩展至全器官MRI中的多个小器官和骨骼结构。

提出的方法

• 采用两阶段FCN：第一阶段使用加权-FCN生成所有器官的粗分割结果和概率图。
• 在损失函数中引入类别加权，以缓解类别不平衡问题，使代表性不足的小器官在损失中贡献更高。
• 在精细阶段引入自上下文机制，将粗分割的概率图作为额外输入，引导精细网络的优化。
• 通过将粗分割概率图与基于图谱的预测结果相乘，应用多图谱分割生成的空间先验，以优化定位精度。
• 利用基于粗分割预测结果生成的器官特异性边界框，对每个器官进行感兴趣区域（ROI）裁剪，以聚焦于相关解剖结构。
• 采用多任务监督的端到端训练方式，联合优化粗分割与精细分割网络。

实验结果

研究问题

• RQ1 结合类别加权的两阶段FCN是否能显著提升全器官MRI中小器官的分割精度？
• RQ2 在多图谱分割中引入自上下文和空间先验，对细粒度分割性能有何影响？
• RQ3 在小器官体积占比不足0.007%的情况下，加权策略在多大程度上缓解了类别不平衡问题？
• RQ4 粗到细处理、自上下文与空间先验的组合是否在多个小器官上优于当前最先进方法？
• RQ5 不同先验（如多图谱与自上下文）对特定小器官（如肾上腺腺体和锁骨）的分割性能有何影响？

主要发现

• 所提出的两阶段加权-FCN结合自上下文与多图谱空间先验，在小器官上实现了0.560的平均DSC，显著优于基线FCN（0.244 DSC）。
• 仅使用类别加权，小器官的DSC即从0.244提升至0.483，证明其在缓解类别不平衡方面的有效性。
• 引入多图谱先验后，肾上腺腺体（DSC: 0.203）及其他小器官的分割性能得到改善，但锁骨的性能略有下降，原因在于图谱精度较低。
• 自上下文机制的整合有效减少了假阳性结果，显著提升了小器官和低对比度器官（如肾上腺腺体）的定位精度。
• 与当前最先进两阶段方法相比，本方法在小器官DSC上提升了约50%，证实了结合上下文与空间先验进行联合优化的优势。
• 加权、自上下文与空间先验的组合实现了最佳整体性能，其中肾上腺腺体因体积极小（占总体积的0.0001%）而获得最显著的相对性能提升。