Deep Distance Transform for Tubular Structure Segmentation in CT Scans
一,摘要
醫學圖像中的管狀結構分割,如CT掃描中的血管分割,是利用計算機輔助篩選早期相關疾病的重要步驟。但由於CT掃描中存在對比度差、噪聲大、背景複雜等問題,使得管狀結構的自動分割成爲一個具有挑戰性的問題。管狀結構通常具有圓柱形,可通過其骨架和橫截面半徑(比例)很好地表示出來。受此啓發,我們提出了一種幾何感知的管狀結構分割方法Deep Distance Transform(DDT),它結合了傳統的骨骼化距離變換和現代深度分割網絡。DDT首先學習多任務網絡來預測管狀結構的分割掩碼和距離圖。圖中的每個值表示從每個管狀結構體素到管狀結構曲面的距離。然後利用距離圖重構的形狀先驗信息對分割掩模進行細化。我們將DDT應用於6個醫學圖像數據集。實驗表明:(1)DDT能顯著提高腎小管結構的分割性能(如DSC對胰管分割的改善超過13%);(2)DDT還可提供腎小管結構的幾何測量,對臨牀診斷有重要意義(如胰腺導管的橫截面尺度可以作爲胰腺癌的一個指標)。
二,相關工作
2.1. 管狀結構分割
2.1.1 基於幾何信息的方法
針對管狀結構的幾何特徵,提出了多種提高管狀結構分割性能的方法,並對其進行了非窮盡綜述。(1) 基於輪廓的方法通過在橫截面域中逼近管狀結構的形狀來提取管狀結構的分割掩模[1,10]。(2) 最小路徑法對管狀結構進行跟蹤,通常是交互式的。他們捕獲了用戶給定的兩點之間的全局最小曲線(由圖像勢加權的能量)。(3) 基於模型的跟蹤方法需要對管狀結構模型進行優化,其中大部分時間採用的是橢圓形或圓形截面的三維圓柱體。在每個跟蹤步驟中,他們通過在所有可能的新模型位置中找到最佳模型匹配來計算新模型位置[8]。(4) 基於中心線的方法找到中心線並估計線性結構的半徑。例如,文[34]中提出的多尺度中心線檢測方法,採用了距離變換的思想,針對二維迴歸問題,重新構造了中心線檢測和半徑估計,充分利用了管狀結構的幾何信息,提出了一種隱式學習骨架和截面半徑的距離變換算法,通過採用管狀結構的先驗形狀信息來重構最終的分割掩模。
2.1.2 基於學習的方法
更強大的深度網絡結構可以產生更好的分割結果。但是,在如何利用深度網絡能力的同時充分利用幾何信息是一個非常有趣的問題,尤其是對於管狀結構。我們的工作旨在設計一個集成的框架,挖掘傳統的距離變換,併爲這種圓柱形結構建模深度網絡,這是以往研究中沒有的。
2.2 基於學習的骨架提取
基於學習的自然圖像骨架提取在近幾十年來得到了廣泛的研究[38,31,34,22,21],並在深度學習的幫助下取得了很好的進展[32,20,45,39]。Shenet等人[32]表明多任務學習,即聯合學習骨架像素分類和骨架尺度迴歸,對於獲得準確的預測尺度是非常重要的,對於基於骨架的目標分割是非常有用的。然而,這些方法不能直接應用於管狀結構的分割,因爲它們需要骨骼的ground truth,這是不容易從三維掩模中獲得的,因爲在3維醫學圖像中的註釋錯誤[41]。
三,方法
3.1 管狀結構距離變換
對於每個管狀結構體素v,距離變換爲其指定距離變換值,該值是從v到管狀結構表面Cv的最近距離。這裏我們使用歐幾里德距離,因爲歐幾里德距離映射的骨架對旋轉是魯棒的[4]。
通過四捨五入到最接近的整數,將每個dv量化爲k個bin中的一個,以將連續距離映射D轉化爲離散的量化距離映射Z,其中Zv∈{0,…,K}。我們進行這種量化,因爲直接訓練用於迴歸的深層網絡相對不穩定,因爲異常值,即醫學圖像常見的註釋錯誤[41],會導致一個大的錯誤項,這使得網絡很難收斂並導致不穩定的預測[30]。基於量化,我們將距離預測問題重新表述爲分類問題,即爲每個量化距離確定對應的bin。我們將量化距離的K個bin稱爲K個尺度類。由於管狀結構的骨架體素處的距離變換值是其橫截面比例,因此我們使用“比例”一詞。
3.2 DDT的網絡訓練
給定一個三維CT掃描X和它的地面真值標記圖Y,我們可以根據(1. 管狀結構距離變換)給出的方法計算它的比例尺類圖(量化距離圖)Z。在本節中,我們將描述如何通過Y和Z來訓練用於管狀結構分割的深網絡。如圖2所示,我們的DDT模型有兩個頭部分支。第一種是針對地面真值標籤映射Y,它使用加權交叉熵損失函數Lcls對每個體素進行語義分割分類:
第二個頭部分支在比例尺類映射Z上進行預測,該映射對管狀結構體素(即zv>0)執行比例尺預測。我們引入了一個新的距離損失函數Ldis來學習這個頭分支:
3.3 幾何感知優化
在測試階段,對每個體素v,我們的管狀結構分割網絡DDT輸出兩個概率,一個是:,即v是管狀結構體素的概率,一個是:,即v的尺度屬於kth尺度類的概率。爲了便於註釋,在本文的其餘部分中,我們使用和分別表示和。提供每體素管狀結構的分割,對管狀結構的幾何特徵進行編碼。我們引入了一種幾何感知的優化方法,通過根據優化來獲得最終的分割結果。該方法如圖2所示,處理如下:
3.3.1 僞骨骼生成
對概率映射P進行閾值化,得到管狀結構的二值僞骨架映射S。如果,sv=1;否則,sv=0,爲閾值。
3.3.2 形狀重建
對於每個體素v,其預測標度zv由給出。衆所周知,可以通過位於每個骨架點中心的包絡最大球從骨架中重建出形狀。例如,如果
我們可以通過S中的最大球獲得管狀結構的(二元)重建形狀,其中是一個以u爲中心的球,半徑爲;否則。然而,預測的尺度是量化的,這導致了非光滑表面。因此,我們擬合一個高斯核來軟化每個球,並獲得一個軟重構的形狀實例:
3.3.3 細分分割
四,實驗
我們的DDT預測橫斷面量表作爲副產品,對臨牀診斷等應用具有重要意義。我們發現橫截面尺度是預測胰管擴張程度的一個重要指標,它有助於在不增加假陽性的情況下發現[49]中遺漏的PDAC腫瘤。
4.1 實現細節和評價指標
我們的實現基於PyTorch。對於數據預處理,在[46]之後,我們將原始強度值截斷在[-100,240]HU的範圍內,並將每個CT掃描歸一化爲零平均值和單位方差。所有方法都進行了數據增強(即平移、旋轉和翻轉),使增強因子爲24。在訓練過程中,由於內存問題,我們隨機抽取指定大小(即64個)的補丁。我們使用指數學習率衰減,γ=0.99。在測試過程中,我們採用滑動窗口策略來獲得最終的預測結果。通過計算每個前景體素到其最近邊界體素的歐幾里德距離,計算每個管狀結構的真值距離圖。除非另有說明,否則本文其餘部分的分割精度由衆所周知的Dice係數(DSC)來測量。
In our implementation, we set Tp= 0.98 and Tr= 0.5
可以看出,我們的方法在很大程度上優於[46]中報告的基線。值得一提的是,雖然我們的DDT只在靜脈期進行測試,但其性能與集成多期信息(即動脈期和靜脈期)的超分割網絡[46]相當。對於3D-UNet,我們的DDT在DSC方面甚至比multi-phase法好13%以上。
圖3,通過改變(a)僞骨骼生成參數Tp,和(b)分割細化參數Tr來改變性能。