[论文解读] Weakly supervised segmentation of intracranial aneurysms using a novel 3D focal modulation UNet

Amirhossein Rasoulian, Harirpoush, Arash+2 more|arXiv (Cornell University)|Aug 6, 2023

Intracranial Aneurysms: Treatment and Complications被引用 9

一句话总结

介绍 FocalSegNet，一种用于 TOF-MRA 上弱监督 UIA 分割的三维焦点调制 UNet，配合 CRF 后处理，优于基线 UNet 变体。

ABSTRACT

Accurate identification and quantification of unruptured intracranial aneurysms (UIAs) is crucial for the risk assessment and treatment of this cerebrovascular disorder. Current 2D manual assessment on 3D magnetic resonance angiography (MRA) is suboptimal and time-consuming. In addition, one major issue in medical image segmentation is the need for large well-annotated data, which can be expensive to obtain. Techniques that mitigate this requirement, such as weakly supervised learning with coarse labels are highly desirable. In the paper, we propose FocalSegNet, a novel 3D focal modulation UNet, to detect an aneurysm and offer an initial, coarse segmentation of it from time-of-flight MRA image patches, which is further refined with a dense conditional random field (CRF) post-processing layer to produce a final segmentation map. We trained and evaluated our model on a public dataset, and in terms of UIA detection, our model showed a low false-positive rate of 0.21 and a high sensitivity of 0.80. For voxel-wise aneurysm segmentation, we achieved a Dice score of 0.68 and a 95% Hausdorff distance of ~0.95 mm, demonstrating its strong performance. We evaluated our algorithms against the state-of-the-art 3D Residual-UNet and Swin-UNETR, and illustrated the superior performance of our proposed FocalSegNet, highlighting the advantages of employing focal modulation for this task.

研究动机与目标

• 在有限的高精标注数据条件下，推动基于 TOF-MRA 的 UIA 精确分割（弱监督）。
• 提出一种新颖的三维焦点调制 UNet（FocalSegNet），用于弱监督分割。
• 研究焦点调制与自注意力在三维 UIA 分割中的效果差异。
• 通过完全连接的 CRF 后处理步骤提升分割效果。
• 提供消融研究以识别影响 UIA 分割性能的关键因素。

提出的方法

• 通过用三维焦点调制块替换 Swin-UnetR 型 UNet 的编码器，开发一个 3D FocalSegNet。
• 在来自 TOF-MRA 的粗略 UIA 标签上进行训练，并使用基于 Dice/IoU 的损失以及交叉熵和边界损失来解决类别不平衡。
• 将完全连接的 CRF 作为后处理以细化初步预测。
• 在弱标注条件下将 FocalSegNet 与 3D UNet 和 Swin-UNETR 基线进行对比。
• 进行基于补丁的分割，结合解剖学信息的补丁提取和数据增强以缓解数据稀缺。

Figure 1: Network architecture of the proposed FocalSegNet

实验结果

研究问题

• RQ1 相比基于自注意力的模型，3D 焦点调制 UNet 是否能改善 TOF-MRA 上 UIA 的弱监督分割？
• RQ2 CRF 后处理对 UIA 分割精度和检测可靠性有何影响？
• RQ3 在高度不平衡的 UIA 分割中，损失函数组成（交叉熵、广义 Dice、边界损失）如何影响性能？
• RQ4 在三维医学成像分割任务中，焦点调制是否比传统自注意力更具优势？

主要发现

• 带 CRF 的 FocalSegNet 在 UIA 分割上达到 Dice 0.678±0.141 和 95-HD 2.148±1.082，优于 UNet 基线。
• FocalSegNet 的假阳性率更低（0.212±0.464），敏感性具有竞争力（0.801±0.399），相较于 Swin-UNETR 和 UNet 变体。
• 即使没有 CRF，FocalSegNet 也提供强劲的性能，CRF 后处理进一步提升各模型的准确性。
• 与 Swin-UNETR 相比，FocalSegNet 产生可比或更好的分割指标，并显著降低假阳性率（FP 比较中 p<0.05）。
• 消融研究显示 CRF 后处理以及 CE、广义 Dice 与边界损失的组合对达到峰值性能很关键。

Figure 2: Comparison of segmentation results for two different patients (one patient per row).Red label=ground truths and green label=automatic segmentation.