[论文解读] Y-net: 3D intracranial artery segmentation using a convolutional autoencoder

Li Chen, Yanjun Xie+7 more|arXiv (Cornell University)|Dec 19, 2017

Medical Image Segmentation Techniques被引用 6

一句话总结

Y-net 提出了一种基于卷积自编码器（CAE）的3D颅内动脉分割方法，以提升MRA数据中的噪声抑制和特征提取效果。该模型在49例MRA病例上进行训练，在二值分类和视觉评估中均优于三种传统分割方法，展现出在脑血管特征量化方面的更高精度与更强鲁棒性。

ABSTRACT

Automated segmentation of intracranial arteries on magnetic resonance angiography (MRA) allows for quantification of cerebrovascular features, which provides tools for understanding aging and pathophysiological adaptations of the cerebrovascular system. Using a convolutional autoencoder (CAE) for segmentation is promising as it takes advantage of the autoencoder structure in effective noise reduction and feature extraction by representing high dimensional information with low dimensional latent variables. In this report, an optimized CAE model (Y-net) was trained to learn a 3D segmentation model of intracranial arteries from 49 cases of MRA data. The trained model was shown to perform better than the three traditional segmentation methods in both binary classification and visual evaluation.

研究动机与目标

• 开发一种用于在3D磁共振血管成像（MRA）数据中自动分割颅内动脉的方法。
• 利用卷积自编码器（CAE）的特征提取与噪声抑制能力，以提升分割性能。
• 解决3D颅内血管分割中的挑战，包括复杂的血管形态与图像噪声。
• 通过定量与视觉指标，将所提方法与传统分割技术进行对比评估。
• 实现脑血管特征的精确量化，以研究衰老与病理生理适应机制。

提出的方法

• 设计了一种定制的卷积自编码器（CAE）架构，包含编码器与解码器路径，以学习MRA体积的分层3D表征。
• 该模型在49例3D MRA数据上端到端训练，以学习颅内动脉的低维潜在空间表征。
• 解码器路径从学习到的潜在特征重建分割掩码，从而实现精确的边界预测。
• 采用二元交叉熵损失函数对网络进行优化，以提升分割精度。
• 架构中引入跳跃连接与3D卷积，以保留空间上下文信息与细小血管细节。
• 通过标准二值分类指标与专家视觉检查对模型性能进行评估。

实验结果

研究问题

• RQ1 卷积自编码器能否有效从MRA数据中学习到用于3D颅内动脉分割的代表性特征？
• RQ2 与传统分割方法相比，所提出的Y-net模型在精度与鲁棒性方面表现如何？
• RQ3 自编码器的特征学习与噪声抑制在多大程度上提升了分割性能？
• RQ4 该模型能否在多样的颅内血管形态与图像质量条件下保持泛化能力？
• RQ5 该模型是否能生成视觉上合理且解剖学上准确的分割结果？

主要发现

• Y-net模型在二值分类指标上优于三种传统分割方法。
• 视觉评估证实，Y-net生成的分割结果比基线方法更精确且更具解剖学合理性。
• 通过学习到的潜在空间表征，模型展现出有效的噪声抑制与特征提取能力。
• 采用3D CAE架构有助于更好地保留空间上下文信息与细小血管结构。
• 在本研究使用的49例MRA病例中，该模型表现出一致的性能。
• 结果表明，基于CAE的模型在脑血管成像中复杂3D医学图像分割任务中具有高度适用性。