[论文解读] Towards Clinical Diagnosis: Automated Stroke Lesion Segmentation on Multimodal MR Image Using Convolutional Neural Network

Zhiyang Liu, Chen Cao+4 more|arXiv (Cornell University)|Mar 5, 2018

Brain Tumor Detection and Classification参考文献 16被引用 3

一句话总结

该论文提出了一种具有空洞卷积和全局卷积网络的残差结构全卷积网络（Res-FCN），用于从多模态磁共振图像（DWI、ADC、T2WI）中自动分割缺血性卒中病灶。该方法在测试中取得了0.645的平均Dice系数，且每例患者仅产生1.515个假阴性病灶，接近放射科医生水平，因此非常适用于临床卒中诊断中的部署。

ABSTRACT

The patient with ischemic stroke can benefit most from the earliest possible definitive diagnosis. While the high quality medical resources are quite scarce across the globe, an automated diagnostic tool is expected in analyzing the magnetic resonance (MR) images to provide reference in clinical diagnosis. In this paper, we propose a deep learning method to automatically segment ischemic stroke lesions from multi-modal MR images. By using atrous convolution and global convolution network, our proposed residual-structured fully convolutional network (Res-FCN) is able to capture features from large receptive fields. The network architecture is validated on a large dataset of 212 clinically acquired multi-modal MR images, which is shown to achieve a mean dice coefficient of 0.645 with a mean number of false negative lesions of 1.515. The false negatives can reach a value that close to a common medical image doctor, making it exceptive for a real clinical application.

研究动机与目标

• 开发一种自动化、高精度且临床可行的缺血性卒中病灶分割方法，适用于多模态MRI。
• 解决训练数据有限以及病灶在不同患者和扫描仪间外观差异大的挑战。
• 减少假阴性检测，这对于避免急性卒中误诊至关重要。
• 利用多模态MRI（DWI、ADC、T2WI）以提升病灶检测效果并减少伪影。
• 实现与专家放射科医生相当的病灶分割性能，尤其在减少假阴性方面。

提出的方法

• 所提出的Res-FCN采用残差学习训练非常深的全卷积网络，改善梯度流动并提升训练稳定性。
• 采用空洞卷积在不增加参数量或降低分辨率的前提下扩展感受野。
• 集成全局卷积网络（GCN）以捕捉图像中长距离的上下文依赖关系。
• 在包含212例临床采集的多模态MR图像（DWI、ADC、T2WI）的数据集上端到端训练网络。
• 采用阈值优化策略以平衡假阳性和假阴性，性能通过Dice系数及假阳/假阴性数量进行评估。
• 在36例患者的测试集上，与EDD-Net和U-Net模型使用标准指标进行比较。

实验结果

研究问题

• RQ1 基于深度学习的分割模型是否能在多模态MRI上实现高精度和低假阴性率的缺血性卒中病灶检测？
• RQ2 空洞卷积与全局卷积层的结合在低数据环境下如何提升病灶分割性能？
• RQ3 与单模态输入相比，使用多模态MRI（DWI、ADC、T2WI）在减少伪影和提升检测效果方面有多大改善？
• RQ4 在假阳性与假阴性之间的权衡方面，所提出的Res-FCN与最先进模型（EDD-Net、U-Net）相比表现如何？
• RQ5 该模型在假阴性检测方面的性能是否能接近临床放射科医生水平？

主要发现

• 所提出的Res-FCN在测试数据集上取得了0.645的平均Dice系数，优于EDD-Net（0.644）和U-Net（0.557）。
• 该模型平均每例患者仅记录1.515个假阴性病灶，接近典型临床放射科医生的水平。
• 在阈值δ=1时，Res-FCN的Dice系数达到0.658，同时保持每例患者仅2.485个假阳性和1.866个假阴性病灶。
• Res-FCN在假阳性与假阴性之间的权衡方面表现更优，在假阴性水平相近时，假阳性数量较EDD-Net减少了约2个。
• 使用多模态MRI（DWI、ADC、T2WI）显著提升了病灶检测的准确性并减少了伪影，相较于单序列方法有明显优势。
• 尽管训练数据有限，该模型在不同患者扫描中均表现出稳健性能，显示出较强的泛化能力。