[论文解读] Structure and position-aware graph neural network for airway labeling

Weiyi Xie, Colin Jacobs+2 more|arXiv (Cornell University)|Jan 12, 2022

Chronic Obstructive Pulmonary Disease (COPD) Research被引用 4

一句话总结

本文提出了一种结构与位置感知图神经网络（SPGNN），用于CT扫描中的气道自动标注，结合CNN提取的特征与一种同时编码拓扑结构和位置关系的锚点距离编码的图神经网络。该方法在18个气道分支上的平均准确率达到91.18%，显著优于基线CNN（83.83%）和仅结构感知的GNN。

ABSTRACT

We present a novel graph-based approach for labeling the anatomical branches of a given airway tree segmentation. The proposed method formulates airway labeling as a branch classification problem in the airway tree graph, where branch features are extracted using convolutional neural networks (CNN) and enriched using graph neural networks. Our graph neural network is structure-aware by having each node aggregate information from its local neighbors and position-aware by encoding node positions in the graph. We evaluated the proposed method on 220 airway trees from subjects with various severity stages of Chronic Obstructive Pulmonary Disease (COPD). The results demonstrate that our approach is computationally efficient and significantly improves branch classification performance than the baseline method. The overall average accuracy of our method reaches 91.18\% for labeling all 18 segmental airway branches, compared to 83.83\% obtained by the standard CNN method. We published our source code at https://github.com/DIAGNijmegen/spgnn. The proposed algorithm is also publicly available at https://grand-challenge.org/algorithms/airway-anatomical-labeling/.

研究动机与目标

• 为解决CT扫描中气道树解剖结构准确标注的挑战，特别是在存在高解剖变异性与分割噪声的情况下。
• 改进现有仅结构感知的图方法，这些方法无法区分具有相同邻域的对称节点。
• 将位置信息整合到图神经网络中，以更好地捕捉兄弟分支和层级排序等拓扑关系。
• 开发一种计算效率高、端到端可训练的方法，能够在不同COPD严重程度阶段之间良好泛化。
• 提供一个公开可用、可复用的解决方案，适用于更广泛的医学图像分析任务中的气道标注。

提出的方法

• 该方法将气道标注建模为图上的节点分类问题，其中每个节点代表分割后的气道树中的一个分支。
• 卷积神经网络（CNN）从3D气道片段中提取视觉特征，随后用作图中节点的初始特征。
• 提出一种新型图神经网络（GNN）架构，兼具结构感知与位置感知能力，利用预定义锚点分支的拓扑距离来编码位置信息。
• GNN使用图注意力机制聚合邻居节点的消息，实现根据结构和位置相关性自适应加权输入特征。
• 在GNN中引入跳跃连接，以缓解深层架构中的过平滑问题，提升训练稳定性和性能。
• 最终的节点表征通过分类头用于预测每个气道分支的解剖标签。

实验结果

研究问题

• RQ1 在具有对称结构的气道树中，将位置编码集成到GNN是否能提升节点分类性能？
• RQ2 在不同COPD表型中，所提出的SPGNN与标准CNN和仅结构感知的GNN相比，标注准确率如何？
• RQ3 在深层图网络中，GNN架构中引入跳跃连接在多大程度上能缓解过平滑并提升性能？
• RQ4 使用基于锚点的位置编码是否增强了模型区分兄弟分支和层级关系的能力？
• RQ5 所提出的方法是否能在不同气道树拓扑结构和分割伪影下实现良好泛化？

主要发现

• SPGNN在18个气道分支上的总体平均准确率达到91.18%，显著优于基线CNN方法的83.83%。
• SPGNN在正确识别兄弟关系方面表现更优，例如能正确将LB3和LB5识别为兄弟分支，而GATS和CNN方法未能做到这一点。
• 该方法减少了对RB1和LB10等分支的误分类，这些分支常因解剖变异和卷积特征模糊性而被混淆。
• 图注意力网络（GATs）在此数据集上优于其他GNN架构，且跳跃连接有助于稳定深层模型的性能。
• SPGNN以极低的计算开销实现了最先进性能，适合临床部署。
• 模型在不同COPD严重程度阶段均表现出良好泛化能力，训练集与测试集间性能保持一致。