1 综述
基于肺部CT影像的气道树的分割通常难度较大,易出现支气管末端难分割、泄漏等问题,常用的传统图像方法有区域增长、各种改进型区域增长、各种改进型水平集和基于肺部血管走向的区域增长等,论文《Extraction of Airways from CT (EXACT’09)》中总结了15种基于传统图像算法的气道树提取算法并对其进行了定量评价。
随着神经网络的发展,出现了基于卷积神经网络来进行气道树分割的方法,目前大部分是基于分割网络来实现气道树的提取,以及在后处理中来解决泄漏问题。
今天分享一篇2019年的论文《A joint 3D UNet-Graph Neural Network-based method for Airway Segmentation from chest CTs》, 该论文提出 3D U-Net 结合 Graph Neural Network(GNN)模块来实现 end-to-end 肺部气道树分割,该方法相比单一3D U-Net,对气道树中心线的假阴性有一定小改善,虽然精度没有跨越性的提升,但对于分割出更完整的肺气道树,提供了一个尝试性的方向。
传统肺气道树分割方法:
Extraction of Airways from CT (EXACT’09)
论文对应的肺部CT数据集:
肺部CT数据集
本篇论文连接:
A joint 3D UNet-Graph Neural Network-based method for Airway Segmentation from chest CTs
1.1 训练数据
论文使用的数据是在吸气状态下,32个肺部CT数据(作者未公开),数据 spacing=[0.78, 0.78, 1];其中16例用于训练,4例用于验证和调参,12例用于测试。设备为NVIDIA GeForce GTX 1080 Ti with 11 GB;
自己训练时,可使用EXACT’09提供的数据集进行训练。
1.2 网络结构
获取肺部CT影像中肺实质外接矩形区域,裁剪patch,通过左右上下翻转、0-10度旋转、弹性形变等进行数据增广,输入size 176 * 352 * 240;
将3D U-Net 和 GNN 模块进行结合,将3D U-Net 网络最下面两层换成GNN网络模块,是一种 end-to-end 模型,可以学习图像局部特征和基于图连接的全局信息。
在搭建模型时,基于在不同下采样分辨率层添加 GNN 模块分为 UNetLev3 和 UNetLev5;对于 GNN 模块中计算邻接矩阵的方式不同,分为有规则连接 UGnnReg 和动态连接 UGnnDyn,两两组合可形成 4 种模型。
关于 GNN 模块,其中每一层计算公式如下:H 是节点特征矩阵,A 是邻接矩阵,D 是 A 的对角化矩阵,W 是待训练权重;共有4层;
其中初始节点特征矩阵 H 获取如下所示:
loss函数为Dice,公式如下:
1.3 预测精度
不同阈值下的ROC曲线,右图中的圆点是阈值为0.5时的精度;
不同模型在测试集上的性能,Dice系数能到0.88左右,完整性约75%,泄露率约14%;
2 结论
论文提出了一种在 3D U-Net 网络底层引入图网络 GNN 模块的方法,来进行肺部CT影像气道树的分割,能够对一个更大图像区域的特征进行学习和组合。该方法相比于单一的3D U-Net网络,对于气道树中心线的假阴性具有小而显著的改善。虽然精度没有显著提升,但对于分割出更完整的肺气道树,提供了一个尝试性的方向。