【论文笔记】气道树分割：A 3D UNet-Graph Neural Network for Airway Segmentation

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。