[论文解读] Towards Automatic Abdominal Multi-Organ Segmentation in Dual Energy CT using Cascaded 3D Fully Convolutional Network

Shuqing Chen, Holger R. Roth+8 more|arXiv (Cornell University)|Oct 15, 2017

Advanced X-ray and CT Imaging参考文献 5被引用 29

一句话总结

本论文提出一种级联的3D全卷积网络（FCN），用于双能量CT（DECT）中自动多器官分割，通过线性加权（α）预处理的混合DECT图像，并微调在单能量CT（SECT）数据上训练的一般3D U-Net模型。该方法在肝脏、脾脏、右肾和左肾上的平均Dice分数分别达到93%、90%、91%和89%，证明了其在临床DECT应用中的可行性与鲁棒性。

ABSTRACT

Automatic multi-organ segmentation of the dual energy computed tomography (DECT) data can be beneficial for biomedical research and clinical applications. However, it is a challenging task. Recent advances in deep learning showed the feasibility to use 3-D fully convolutional networks (FCN) for voxel-wise dense predictions in single energy computed tomography (SECT). In this paper, we proposed a 3D FCN based method for automatic multi-organ segmentation in DECT. The work was based on a cascaded FCN and a general model for the major organs trained on a large set of SECT data. We preprocessed the DECT data by using linear weighting and fine-tuned the model for the DECT data. The method was evaluated using 42 torso DECT data acquired with a clinical dual-source CT system. Four abdominal organs (liver, spleen, left and right kidneys) were evaluated. Cross-validation was tested. Effect of the weight on the accuracy was researched. In all the tests, we achieved an average Dice coefficient of 93% for the liver, 90% for the spleen, 91% for the right kidney and 89% for the left kidney, respectively. The results show our method is feasible and promising.

研究动机与目标

• 为解决双能量CT（DECT）中自动多器官分割的挑战，该挑战受组织变异、软组织形变和光谱差异的影响。
• 将基于深度学习的3D全卷积网络（FCNs）从单能量CT（SECT）数据迁移到DECT数据，而无需器官或能量特异性先验知识。
• 评估线性混合权重α对分割精度的影响，并确定不同腹部器官的最佳α值。
• 通过临床数据证明级联3D FCN方法在DECT多器官分割中的可行性和鲁棒性。

提出的方法

• 通过线性加权生成混合图像对DECT数据进行预处理：$ I_{\text{mix}} = \alpha \cdot I_{\text{low}} + (1-\alpha) \cdot I_{\text{high}} $，其中α为混合权重。
• 通过阈值化混合图像生成二值皮肤掩码，以定义解剖感兴趣区域。
• 采用两阶段级联3D U-Net架构：第一阶段预测粗略感兴趣区域（ROI），第二阶段细化最终分割结果。
• 使用DECT混合图像对预训练的一般3D U-Net模型（最初在SECT数据上训练）进行微调，以适应新模态。
• 使用预测结果与真实标签之间的体素级Softmax交叉熵损失进行网络训练。
• 在42例来自双源CT系统的临床DECT扫描中，采用5:1:1的随机划分进行训练、验证和测试。

实验结果

研究问题

• RQ1 能否在不使用器官或能量特异性先验知识的前提下，有效微调在SECT数据上训练的级联3D FCN，以实现DECT中多器官分割？
• RQ2 预处理混合图像中的线性混合权重α如何影响不同腹部器官的分割精度？
• RQ3 为最大化各器官的分割性能，训练和测试时的最佳α值是什么？
• RQ4 当训练和测试的α值匹配时，是否比不匹配组合能获得更高的分割精度？
• RQ5 患者扫描中疾病状态（如肿瘤）如何影响分割性能？

主要发现

• 在所有交叉验证折中，肝脏的平均Dice系数为93%，脾脏为90%，右肾为91%，左肾为89%。
• 肝脏的最高Dice分数（93.3%）在α_training = 0.9且α_test = 0.9时达到，表明高对比度、低能量样图像表现更优。
• 脾脏分割在α_training = 0.6且α_test = 0.6时最准确（Dice = 0.899），表明信噪比与对比度达到最佳平衡。
• 左肾在α = 0.9时训练和测试可获得最佳分割效果（Dice = 0.892），而右肾在α = 0.9–0.9时表现最佳（Dice = 0.905）。
• α_training = 0.9与α_test = 0.6的组合使脾脏分割效果最佳（Dice = 0.900），表明不同器官存在特定最优α值。
• 研究发现，使用在高对比度图像（α = 0.9）上训练的模型来分割低对比度测试图像（α = 0.3）的表现优于反向组合，表明对对比度不匹配具有鲁棒性。