[论文解读] Star Shape Prior in Fully Convolutional Networks for Skin Lesion Segmentation

Zahra Mirikharaji, Ghassan Hamarneh|arXiv (Cornell University)|Jun 21, 2018

Cutaneous Melanoma Detection and Management参考文献 25被引用 14

一句话总结

本文提出一种新颖的星形形状先验损失函数，用于正则化全卷积网络（FCNs）进行皮肤病变分割，通过惩罚非星形的预测结果来强制实现病变的全局结构。该方法在ISBI 2017年皮肤病变分割挑战赛中表现优异，采用ResNet-DUC架构，Jaccard指数达到77.3%，排名第一。

ABSTRACT

Semantic segmentation is an important preliminary step towards automatic medical image interpretation. Recently deep convolutional neural networks have become the first choice for the task of pixel-wise class prediction. While incorporating prior knowledge about the structure of target objects has proven effective in traditional energy-based segmentation approaches, there has not been a clear way for encoding prior knowledge into deep learning frameworks. In this work, we propose a new loss term that encodes the star shape prior into the loss function of an end-to-end trainable fully convolutional network (FCN) framework. We penalize non-star shape segments in FCN prediction maps to guarantee a global structure in segmentation results. Our experiments demonstrate the advantage of regularizing FCN parameters by the star shape prior and our results on the ISBI 2017 skin segmentation challenge data set achieve the first rank in the segmentation task among $21$ participating teams.

研究动机与目标

• 解决由于皮肤镜图像中外观差异大以及FCN中细小结构丢失，导致病变分割不一致和不规则的问题。
• 将解剖学上合理的形状先验——特别是星形形状先验——直接整合到端到端可训练FCN的损失函数中。
• 消除传统基于能量的方法在推理过程中需要迭代优化或用户定义物体中心点的依赖。
• 通过强制预测病变掩码的全局结构一致性，提升分割的鲁棒性和边界精度。
• 证明形状先验可有效嵌入深度学习框架，从而提升医学图像分割任务的性能。

提出的方法

• 引入一种新的可微分损失项，用于惩罚FCN预测图中与星形病变形态的偏离。
• 通过测量每个前景像素相对于中心点的角偏离度，利用径向一致性度量来编码星形形状先验。
• 损失函数结合二值交叉熵与形状正则化项，当像素违反星形属性时，惩罚力度增加。
• 采用基于病变质心的固定中心估计策略，避免用户输入或复杂优化的需要。
• 该框架应用于两种最先进的FCN架构：U-Net和ResNet-DUC，后者使用空洞卷积和单个DUC层进行特征上采样。
• 训练分为两个阶段：首先使用二值交叉熵训练5个周期，然后使用Adam优化器配合学习率衰减，对星形正则化损失进行微调。

实验结果

研究问题

• RQ1 能否将可微分的星形形状先验有效嵌入端到端FCN的损失函数中，用于医学图像分割？
• RQ2 强制实现星形病变形态是否能提升皮肤病变图像中的分割准确性和结构合理性？
• RQ3 所提出的方法是否能在无需后处理、多尺度输入或集成平均的情况下实现最先进性能？
• RQ4 星形形状先验是否能有效减少分割噪声，并提升在各种病变外观下的边界一致性？
• RQ5 该方法是否在避免使用用户定义的物体中心点或推理时的迭代优化的同时，仍能保持性能提升？

主要发现

• 与基线FCN相比，所提出的星形形状正则化损失使U-Net的Jaccard指数提升3.3个百分点，ResNet-DUC的提升也为3.3个百分点。
• 使用星形形状先验训练的ResNet-DUC模型在ISBI 2017年皮肤病变分割挑战赛中取得77.3%的Jaccard指数，21支参赛队伍中排名第一。
• 在ResNet-DUC架构上，Dice分数从83.3%提升至85.7%，敏感度从80.0%提升至85.5%。
• 统计显著性检验（Wilcoxon符号秩和检验）确认，使用星形形状先验带来的性能提升在p < 0.05水平上具有显著性。
• 定性结果表明，病变掩码更平滑、连通性更好，且碎片更少，表明结构一致性更优。
• 该方法在保持强敏感度的同时，实现了高特异性（97.3%）和高准确率（93.8%），表明其在各类病变类型中均具有鲁棒性。