[论文解读] U-Det: A Modified U-Net architecture with bidirectional feature network for lung nodule segmentation

Nikhil Keetha, Samson Anosh Babu Parisapogu+1 more|arXiv (Cornell University)|Mar 20, 2020

Lung Cancer Diagnosis and Treatment被引用 29

一句话总结

U-Det 提出了一种改进的 U-Net 架构，结合双向特征网络（Bi-FPN），以提升 CT 扫描中肺结节的分割性能，采用 Mish 激活函数和类别加权损失以增强训练效果。该方法在 LUNA16 数据集上实现了 82.82% 的 Dice 相似系数，优于人类放射科专家及现有模型，尤其在小而具有挑战性的结节上表现更优。

ABSTRACT

Early diagnosis and analysis of lung cancer involve a precise and efficient lung nodule segmentation in computed tomography (CT) images. However, the anonymous shapes, visual features, and surroundings of the nodule in the CT image pose a challenging problem to the robust segmentation of the lung nodules. This article proposes U-Det, a resource-efficient model architecture, which is an end to end deep learning approach to solve the task at hand. It incorporates a Bi-FPN (bidirectional feature network) between the encoder and decoder. Furthermore, it uses Mish activation function and class weights of masks to enhance segmentation efficiency. The proposed model is extensively trained and evaluated on the publicly available LUNA-16 dataset consisting of 1186 lung nodules. The U-Det architecture outperforms the existing U-Net model with the Dice similarity coefficient (DSC) of 82.82% and achieves results comparable to human experts.

研究动机与目标

• 解决由于结节形状、大小各异以及周围结构复杂，导致在 CT 扫描中实现鲁棒肺结节分割的挑战。
• 克服传统方法及标准 U-Net 在处理小结节、邻近血管结节、邻近胸膜结节以及磨玻璃样密度结节方面的局限性。
• 通过多尺度特征融合与高效训练机制，提升特征提取与分割精度。
• 在 LUNA16 基准数据集上实现与放射科医生相当或更优的性能。

提出的方法

• 在 U-Net 的编码器与解码器之间集成双向特征网络（Bi-FPN），以实现多尺度特征融合并增强特征表示能力。
• 将标准激活函数替换为 Mish 激活函数，以改善梯度流动并提升模型表达能力。
• 在训练过程中对掩码应用类别加权损失，以缓解类别不平衡问题，提升对小结节或罕见结节的分割效果。
• 采用数据增强技术以减轻在相对较小的 LUNA16 数据集上的过拟合问题，提升泛化能力。
• 使用 U-Net 主干网络进行特征编码与解码，同时保留跳跃连接以保留空间细节。
• 在包含 888 例 CT 扫描、共 1186 个肺结节的 LUNA16 数据集上端到端训练模型。

实验结果

研究问题

• RQ1 采用双向特征网络的改进型 U-Net 是否能提升对各类肺结节（包括小结节与难处理结节）的分割精度？
• RQ2 Mish 激活函数与类别加权损失的集成如何影响模型收敛性与分割性能？
• RQ3 与 U-Net 中的标准跳跃连接相比，Bi-FPN 在多尺度特征融合方面提升了多少？
• RQ4 所提出的 U-Det 模型是否在肺结节分割性能上达到或超过专家放射科医生的水平？
• RQ5 U-Det 在处理特定困难病例（如空洞性结节、磨玻璃样密度结节、邻近胸膜结节）时表现如何？

主要发现

• U-Det 在 LUNA16 测试集上实现了 82.82% 的 Dice 相似系数（DSC），优于人类专家平均值 82.25%。
• 该模型在小结节（直径 <6 mm）上表现更优，DSC 达到 83.40%，表明其在早期结节检测方面具备强大能力。
• 对于附着性结节（邻近血管与邻近胸膜结节），DSC 为 81.82%，显示出在复杂解剖环境下的鲁棒性。
• 模型灵敏度达到 92.24%，阳性预测值（PPV）为 78.92%，表明具有较高的检测率与精确率。
• 可视化结果证实，U-Det 能够有效分割小结节、空洞性结节与 GGO 结节，而这些类型对传统方法而言极具挑战。
• U-Det 在分割精度上优于现有模型，包括 DB-ResNet（DSC 82.74%）、FCN-UNET（DSC 77.84%）以及其他基于 CNN 的架构。