[论文解读] Surface-based 3D Deep Learning Framework for Segmentation of Intracranial Aneurysms from TOF-MRA Images

Xi Yang, Ding Xia+2 more|arXiv (Cornell University)|Jun 29, 2020

Intracranial Aneurysms: Treatment and Complications参考文献 11被引用 4

一句话总结

该论文提出了一种基于表面的3D深度学习框架，用于在时间飞越MRA图像中分割颅内动脉瘤，采用半自动生成的血管表面模型和PointNet++进行片段分类，随后使用SO-Net实现精确的表面分割。该方法实现了72%的Dice相似系数，显著优于现有基于像素的框架（46%）。

ABSTRACT

Segmentation of intracranial aneurysms is an important task in medical diagnosis and surgical planning. Volume-based deep learning frameworks have been proposed for this task; however, they are not effective. In this study, we propose a surface-based deep learning framework that achieves higher performance by leveraging human intervention. First, the user semi-automatically generates a surface representation of the principal brain arteries model from time-of-flight magnetic resonance angiography images. The system then samples 3D vessel surface fragments from the entire brain artery model and classifies the surface fragments into those with and without aneurysms using the point-based deep learning network (PointNet++). Next, the system applies surface segmentation (SO-Net) to the surface fragments containing aneurysms. We conduct a head-to-head comparison of segmentation performance by counting voxels between the proposed surface-based framework and existing pixel-based framework, and our framework achieved a much higher dice similarity coefficient score (72%) than the existing one (46%).

研究动机与目标

• 解决基于体素的深度学习在从TOF-MRA图像分割颅内动脉瘤时的局限性。
• 通过利用脑动脉的表面表示而非体素数据，提升分割精度。
• 通过人工参与生成初始血管表面模型，以增强模型性能。
• 开发一种框架，对包含动脉瘤的表面片段进行分类与分割，其精度高于现有基于像素的方法。

提出的方法

• 该框架首先通过用户辅助的半自动方法，从TOF-MRA图像中生成主要脑动脉的3D表面模型。
• 系统从血管表面模型中采样3D片段用于分类。
• 使用PointNet++将每个表面片段分类为包含或不包含动脉瘤。
• 仅对被分类为动脉瘤阳性的片段，使用SO-Net进行进一步处理，以实现详细的表面分割。
• 最终的分割结果由分割后的表面片段重建而成。
• 该方法与传统基于像素的框架形成对比，其直接在表面几何结构上操作，而非基于体素数据。

实验结果

研究问题

• RQ1 基于表面的深度学习框架是否能在从TOF-MRA图像分割颅内动脉瘤方面优于现有的基于体素的方法？
• RQ2 人工生成的表面模型的整合对分割精度有何影响？
• RQ3 使用PointNet++对表面片段进行分类，在多大程度上提升了对动脉瘤区域的检测能力？
• RQ4 与基于体素的分割网络相比，SO-Net是否能提供更精确的动脉瘤表面分割？
• RQ5 与所提出的基于表面的方法相比，Dice相似系数的定量提升程度如何？

主要发现

• 所提出的基于表面的框架实现了72%的Dice相似系数，显著优于现有基于像素的框架的46%。
• Dice评分的提升表明，基于表面的表示可有效提高颅内动脉瘤的分割精度。
• 使用PointNet++对表面片段进行分类，实现了对包含动脉瘤区域的精确识别。
• SO-Net有效分割了表面片段，保留了对外科手术规划至关重要的解剖细节。
• 该框架依赖于半自动生成的表面，相比纯体素方法，有效降低了噪声并提升了模型泛化能力。
• 直接对比结果证实，对于该任务，基于表面的深度学习比传统的基于像素的方法更为有效。