|
世界卫生组织关于2014年世界癌症讲演显现，2012年结直肠癌攻击全球超140万人，死亡人数高达69.4万人。 结直肠癌是人类主要恶性肿瘤之一，其发病率和死亡率分别位于第三位和第四位。在兴隆国度更为常见，例如在美国，结直肠癌是癌症相关死亡的第二大缘由。在目前的临床放射治疗常规中，由于磁共振成像在软组织增强方面的优势，结直肠癌区域可经过磁共振图像手动辨认并勾勒出来。但是，这一过程费时费力，且对放疗人员的依赖性较高，遭到繁琐的工作和有限的再现性的影响。因而，为了提升临床工作效率，对结直肠肿瘤的自动检测与分割措施提出了更高的需求。
视见科技人工智能研发团队分离中山大学肿瘤中心在结直肠肿瘤人工智能分割取得了重要进展，以3-D RoI-Aware U-Net for Accurate and Efficient Colorectal Tumor Segmentation（精确高效地分割结直肠肿瘤的3-D RoI感知U-Net）为题的研讨论文发表在了国际顶级期刊IEEE Transactions on Cybernetics (IF: 10.387)。 通常，在核磁共振图像中分割结直肠癌区域是放射疗法的重要步骤。在三维体量中进行自动勾勒是紧迫且极具应战的任务。针对该任务，现有的基于深度学习措施存在着两方面的缺陷： （1）三维张量占用了大量的GPU内存，限制了可锻炼的体量尺寸，紧缩了有效感受野，因而降低了速度和分割性能； （2）基于感兴味区域（RoI）检测的分割措施要不无上下文信息，要不只需全局上下文信息，招致细节丰厚水平的妥协，或者三维任务的计算成本过高。 为理处置上述缺陷，我们提出了一个新颖的基于编码解码的三维全体量分割框架，称为3-D RoI感知U-Net（3-D RU-Net）。3-D RU-Net充沛应用了全局上下文信息，使得大块的有效感受野可行。细致来说，该模型包含了一个全局图像编码器，用来完成基于全局了解的RoI定位，和一个部分区域解码器，用来操作金字塔型的区域内全局特征，该操作能够有效应用GPU内存，从而使得大致积的三维体量锻炼和预测真实可行。 为了促进这个全局到部分的学习过程，增强轮廓的细节丰厚水平，我们设计了一个基于DICE的多任务混合损失函数。该框架的高效性使得仅需破费可接受的计算成本，就能够完成大量的模型集成，从而进一步进步性能。在64例T2加权核磁共振图像上，四重交叉考证的实验结果显现我们的措施抵达了75.5% DICE相似系数，GPU上平均0.61秒一例，这一结果无论在精确率还是在效率上，都显著超越了对比措施。准绳上，该框架具有足够的可扩展性，可用于其他医学图像分割任务。另外，相关代码现曾经公开访问。
癌症区域用红线勾勒，并放大以作分明的阐明。由图可知，靶区缺乏外形特征、CT强度特殊性和位置先验学问。 本文的主要贡献如下： 1、本文提出了一种用于分离RoI定位和区域内分割的三维分离框架——3-D RoI感知U-Net (3-D RU-net)。该模型包含了一个全局图像编码器，用来完成基于全局了解的RoI定位，和一个部分区域解码器。该设计完成了快速、内存高效和细节维护的全体量分割，充沛应用了全局上下文信息。 2、思索到类别自动再均衡和更好的边疆分辨，我们提出了一种基于DICE的多任务混合损失函数，进一步进步了精确率。此外，加速框架还促进我们采用多感受野模型的集成战略来抑止假阳，并以可接受的速度代价进步了边疆细节的精度。 3、经过大量单变量对比实验评价每个所提出组件的贡献，并比较第三方措施，以显现我们措施的有效性。 考证评价： 我们在64例扫描图像上进行了四重交叉考证。在两个典型的测试样本上，我们比较了不同措施的分割结果（见图2），该措施对边疆细节信息较为敏感。
图2 (1) 癌症区域RoI，(2)专家宫勾勒，(3)所提的措施(预测区域)，(4)提出的措施(预测轮廓)，(5)3-D U-Net + DL (集成模型)，(6)3-D U-Net，(7)3-D FCN+ 3-D U-Net，(8)3-D Mask R-CNN，(9) supervoxel clustering，(10) 2-D kU-Net+ LSTM 此外，应用SimpleITK的三维渲染模块，在图3中显现了所提出措施预测的8个癌变体量。固然背景复杂，但由于充沛应用了全局上下文信息，我们的措施正确地定位和分割了目的，而不被左近的干扰所误导。
图3 从(1)到(8)的不同病例选择的二维关键切片和三维分割结果的图示。半透明绿色表示真阳性，红色表示假阳性，蓝色表示假阴性。 同时，本文比较不同措施在精确性和效率方面的不同指标，措施分为第三方措施和单变量对比实验。此外，还比较了模型集成战略，即多分辨率和多感受野。如表1所示。
表1 研讨讨论： 本文提出的新措施继承了体量到体量三维FCNs易于锻炼和细节坚持的优点，同时分离了一个全局图像编码器的整体RoI定位模型和一个部分区域解码器的区域内分割模型作为一个分离模型，称为3-D RoI感知U-net(3-D RU-net)。经过在RoI定位和区域内分割任务之间共享全局上下文信息，消弭冗余特征提取，该措施表示出更快的速度和更精确的性能。 固然我们的措施取得了具有竞争力的结果，但也存在一些局限性。 首先，如图3所示，模型常常对哪层开端或终了感到困惑，因而这会对得分产生显著影响。如表1所示，一切对比措施，包含双向卷积LSTM，都没有彻底处置这个问题。有一种解释是，这一艰难是与数据相关的，关于起始和终了层的决议依赖于察看者，这是由于癌组织边沿的对比度较弱，并且沿Z轴的分辨率较低。 第二，关于这一特定的任务，不需求对不同的肿瘤实例进行分辨，我们的设计中没有思索实例分辨的才干。假如检测到多个相邻目的，则无法保障它们被正确地分开。当应用于需求实例辨认的任务时，应该在全局图像编码器模板中添加额外的模块，如锚分类器和回归器。但是，由于基于锚的措施所面临的应战，在预测掩码的潜在辅佐下，应该对边疆框的预测进行细化。 未来的工作包含癌症亚型分类，实时三维成像应用，以及进一步存储优化。首先，正如临床指南所倡议的那样，T1/T2和T3/T4结直肠癌的风险性水平不同，应遵照不同的治疗措施。因而，分辨T3和T1/T2很重要的。从T1到T4，肿瘤逐步穿过直肠壁，因而应该经过对结直肠肿瘤和直肠壁的精确分割，取得描画肠壁经过水平的RoI特征。其次，由于所提措施的速度优势，将其应用推行到实时三维成像方面具有较大可能，但还需求进一步优化，以便应用帧间上下文信息，完成动态管理。此外，为了进一步促进对大型三维全体量的锻炼，能够经过减少GPU显存占用来进一步扩展可锻炼体量尺寸和批尺寸，例如采用混合精度锻炼和虚拟化的深度神经网络。 论文链接：https://ieeexplore.ieee.org/document/9052757 |
名表回收网手机版
