论文笔记Automatic liver segmentation from abdominal CT volumes using improved convolution neural network

使用改进的卷积神经网络从腹部 CT 体积自动分割肝脏

Multimedia Systems 2021

       提出一种称为密集特征选择U-Net (DFS U-Net)的新颖架构，具体来说，将Hounsfield单位值在一个范围内加窗以排除不相关的器官，然后使用预处理数据来训练我们提出的DFS U-Net模型。为了在有限的训练数据集下进一步提高小区域和不连贯的感兴趣区域的分割精度，通过在公式中添加一个参数来改进损失函数。

       由于肝脏组织与其相邻器官之间的高度相似性以及肝脏与病变之间的差异，传统的手动分割非常耗时且可重复性差；他们的结果受到不连贯的肝脏区域的丢失以及小器官和血管边界信息的不准确的影响。

工作流程包括三个主要步骤：

        第一步，处理数据预处理和神经网络分割的准备；

        第二步，它将 CT 序列切片输入我们的 DFS U-Net 模型，并获得训练有素的肝脏分割参数；

        第三步，神经网络通过计算每个像素的概率来获得感兴趣区域（ROI）。我们使用形态优化作为后处理方法来细化最终的分割结果。

       在反卷积阶段，我们提出了一种恢复分辨率的新方法，即阈值反卷积层。通过反卷积操作恢复图像的大小。来自过渡层和反卷积层的特征图被连接起来，以便在下采样过程中重复使用特征和位置信息。改进后的分辨率特征图经过后续的连续卷积操作，可以更准确地组合跳过连接的信息和反卷积层的输出。

       在反卷积的过程中，没有使用密集连接块，因为从我们的实验结果中，我们发现密集连接块在不断探索新特征方面可以做得很好，但在重用方面却不行。如果盲目使用密集连接块，会使网络过度参数化，这会增加训练时间，但对分割的准确性无能为力。

       在skip connection部分，我们在skip connection中并行添加了一个类似于residual connection的模块，称为feature selection block。随着网络层数的加深，特征图的数量越来越多。其中一些对我们的细分目标毫无用处，而另一些则没有信息。特征选择块可以通过一个参数来反映每个通道的重要性。因此，我们可以抑制冗余特征并提取我们需要的特征图。

       卷积层之间的短路径意味着每一层都可以直接访问来自上层和输入图像的梯度，从而引导隐式深度监督。这种结构可以有效减少参数数量，控制模型的复杂度。通过提高特征利用率和传输速率，可以有效缓解梯度消失问题。

       我们的动机是明确建立特征通道之间的相互依赖关系。此外，不打算为特征通道融合引入新维度，而是采用新的“特征重新校准”策略。通过自动学习来获取每个特征通道的重要性，然后根据这个重要性来增强有用的特征并抑制对任务不是很有帮助的特征。 

       上采样填充的零值将使每个池区域内的最大激活和其他激活之间的差异变大，这将增加局部分割区域中的主体间差异。为了解决这个问题，我们的新方法在将平均值与整个地图的最大激活值进行比较后填充值，而不是仅在空像素处填充零值。整个地图的平均值是在产生池化地图时计算的，并在上采样期间填补空缺。

由于增强CT图像的特殊性，有两个问题导致我们的分割困难：

        (1)目标器官在一张CT片中被分成许多不连贯的部分。

        (2)由于CT扫描可能与靶器官的边界相切，所以在一些CT切片上只有很小的一部分，甚至是几十上百个像素的区域，对准确度造成负面影响。

       我们发现，虽然5×5卷积核的感受野很大，但如果连续使用两个3×3卷积核，也可以达到与使用5×5卷积核相同的效果，但参数数量会更少。因此，我们在网络中都使用了3 × 3的内核。初始学习率为10-4，每 10个epoch 降低一次。对于池化层的选择，选择最大池化。一般来说，mean pooling可以保留更多的图像背景信息，而max-pooling可以保留更多的纹理信息。

实验结果表明DFS U-Net模型的三个优势：

        1.小区域分割的有效性；

        2.不连贯区域分割的鲁棒性；

        3.在训练数据有限的情况下，我们的深度网络仍然可以实现准确的分割，避免过拟合。