Deeply-Supervised CNN for Prostate Segmentation
(深度监督的CNN用于前列腺分割)
原文链接
磁共振（MR）图像中的前列腺分割在图像引导下的介入治疗中具有重要意义。然而，由于缺乏明确的顶端和底部边界，以及来自不同患者的图像之间形状和纹理的巨大变化，使得这项任务非常具有挑战性。为了克服这些问题，本文提出了一种利用卷积信息从磁共振图像中精确分割前列腺的深度监督卷积神经网络（CNN）。与其他方法相比，该模型能有效地检测前列腺区域，并具有附加的深度监控层。由于某些信息在卷积后会被丢弃，因此有必要将早期提取的特征传递到后期。实验结果表明，与其他方法相比，本文提出的方法能显著提高分割精度。
引言近年来，卷积神经网络（CNN）在计算机视觉和医学图像分析等许多领域都取得了最佳的效果。这一成功有以下几个方面：1）开发了更强大的图形处理单元（GPU）；2）大量可用数据，例如，在ImageNet大规模视觉识别挑战（ILSVRC）中，提供了约120万张带注释的图像。3）许多网络都已经为特定的任务设计出来，例如分类、分割和对象检测。CNN的核心能力是学习数据的层次表示，因此调整网络结构以提高网络的层次表示能力是CNN应用的主要目标。
分类是CNN中最常见的应用，如GoogLeNet、VGG-Net，其输出是图像的类标签。然而，在许多视觉任务中，特别是在医学图像分析中，一些特定的需要必须被满足。例如，在医学图像分割中，标签应该分配给每个像素，并且结果应该具有高精度。随着深度学习的深入发展，越来越多的研究者将这些方法应用于不同的医学图像应用，如图像分割、图像融合、图像配准和计算机辅助诊断等。自动分割是医学图像分析的支柱之一。在给定的背景下对边缘检测的高度依赖于是成功分割医学图像的关键。因此，在许多方法中，获取边缘特征并搜索其位置是主要工作。几十年来，构建有效的特征工程一直是医学图像分割的主流课题。例如， Shen et al提出了基于几何矩不变量的特征引导非刚性图像配准方法，同时，Liao et al. 提出了一种医学图像分析中自动特征提取的表示学习方法，提出了一种基于叠置相关子空间分析（ISA）的深度学习框架，实现了从输入图像中自动学习信息量最大的特征。此外，基于形状的模型被广泛应用于图像分割。Yan et al 提出了一种利用部分轮廓的先验形状分割前列腺的方法。 Toth et al 利用强度和梯度信息构建AAA模型，然后利用水平集方法对前列腺MRI进行分割。所有这些方法都是利用特定的特征信息对医学图像进行分割。然而，正如我们前面所描述的，深度学习具有从数据中学习分层特征表示的良好能力，并且在各种应用中都取得了破纪录的性能。在医学图像分析方面，它高度依赖于边缘检测技术。许多方法的主要工作是寻找组织的边缘。而我们知道，深度学习可以有效地学习边缘特征。因此，我们相信深度学习可以像计算机视觉一样，在医学图像分析方面取得很大的进步。许多研究人员将深度学习应用于医学图像分析。例如，Zhang et al建议使用深度卷积神经网络（CNN）用多模态磁共振图像分割等强度阶段脑组织。Cheng et al提出了一种监督机器学习模型，该模型利用基于Atlas的主动外观模型和深度学习模型在磁共振图像上分割前列腺。Chen et al提出了一种深度轮廓敏感网络，它集成多层次的上下文特征来分割腺体。这些方法都利用了深度学习的先进性，取得了显著的成绩。
许多网络应用斑点(patch)到像素或斑点到斑点的策略来训练和预测。然而，这种策略总是导致训练和预测效率显著降低。全卷积神经网络（FCN）提供了一种将使用一张有一张图像的方法训练网络，使我们能够同时训练大量的样本。然而，我们不能直接将FCN应用于前列腺分割。由于前列腺顶端和底部一直缺乏明确的边界，不同患者的体形和质地差异很大。这些现象使前列腺分割变得富有挑战性。在这些方法的启发下，结合深度学习的优越性，提出了一种将将早期特征提取传递到后期的网络，以避免信息丢失。我们将该网络命名为“深度监控CNN”，该网络经过端到端的训练，能够准确、快速地在磁共振图像上分割前列腺。我们的网络有三个阶段，第一个阶段包括一个压缩路径，它从数据中提取特征，并以适当的步幅降低分辨率。网络的第二阶段由一条扩展路径组成，该路径向上采样特征图，并将特征通道数减半，直到达到其原始大小。为了帮助网络学习更精确的残差信息，第三阶段由深层监控层构建，对训练过程进行监控。
方法