医学分割论文:SegmentationofCTthoracicorgansbymultiresolutionVBnets

医学分割论文:Segmentation of CT thoracic organs by multi-resolution VB-nets

Auther: Miaofei Han. Institution:1Shanghai United Imaging Intelligence Inc. Publish year: 2019

论文地址&＃xff1a;SegTHOR2019

在本篇论文中&＃xff0c;作者提出了VB-Net结构&＃xff0c;采用了多尺度分割网络&＃xff0c;参与了SegTHOR胸部器官分割挑战赛&＃xff0c;并在四个危及器官勾画中取得第一名

Overview&＃xff1a;

目前深度学习在医学图像分割领域使用较多的是U-Net和V-Net结构&＃xff0c;V-Net在U-Net的基础上添加了残差模块&＃xff0c;梯度传递更平稳&＃xff0c;易于优化。作者在V-Net的基础上进行优化&＃xff0c;提出了VB-Net.

Network:

Fig1 Vb-Net的结构
VB-Net的主要区别在于使用bottleneck结构代替了上采样和下采样中的常规卷积层
Bottleneck结构由三个卷积层组成&＃xff0c;第一层是一个卷积核为1 * 1 * 1的卷积层&＃xff0c;用于减少feature map的channel数&＃xff0c;第二层是与常规卷积层kernel相同的空洞卷积&＃xff0c;第三层是一个1 * 1 * 1卷积层&＃xff0c;将channel数恢复至原始水平。
这样做的好处是&＃xff0c;1. 减小模型参数量 2. 加快模型推理速度

multi-resolution:

目前医学图像&＃xff08;CT&＃xff0c;MR&＃xff09;分辨率在512 * 512 * 300左右&＃xff0c;使用全图分割会占用大量显存&＃xff0c;将图像重采样后进行分割&＃xff0c;会丢失部分细节信息&＃xff0c;采用部分小体积图像配合滑窗预测&＃xff0c;会降低显存消耗&＃xff0c;但会增加推理时间
为此&＃xff0c;作者提出了多尺度分辨率策略&＃xff0c;首先在低分辨率下获得分割区域的roi范围&＃xff0c;再使用高分辨率数据得到精细的分割结果

data and experiment:

• Intensity normalization
  首先对CT数据进行归一化&＃xff1a;选择窗位40&＃xff0c;窗宽350&＃xff0c;将原始CT数据归一化至[-1,1]
• Resolution
  粗尺度中&＃xff0c;将数据重采样至pixel spacing为6mm&＃xff0c;细尺度中&＃xff0c;将数据重采样至pixel spacing为1mm
• Fully convolution network inference
  虽然在训练时使用了patch&＃43;random crop&＃xff0c;但在预测时使用了全数据进行推理。即数据重采样至粗尺度->粗尺度网络分割得到VOI->VOI重采样至细尺度->细尺度网络分割得到结果
  另一方面&＃xff0c;在推理时使用了自己编写的推理引擎替代常规的深度学习框架&＃xff0c;可降低显存占用&＃xff0c;加快推理速度
• post-processing
  找出分割结果中的最大三维连通域&＃xff0c;去掉孤立点

Result:

具体结果不放了&＃xff0c;以dice评价&＃xff0c;Esophagus&＃xff1a;0.8651&＃xff0c;Heart:0.9536,Trachea:0.9276,Aorta:0.9464。
值得一提的是&＃xff0c;单个OAR分割的显存占用在2GB以下&＃xff0c;分割时间在1s以内