论文阅读：Coarse to Fine Vertebrae Localization and Segmentation with SpatialConfiguration-Net and U-Net

Coarse to Fine Vertebrae Localization and Segmentation with SpatialConfiguration-Net and U-Net

基于SpatialConfiguration-Net and U-Net的脊椎由粗到细的定位与分割

• 源代码
• 参考博文
• 论文简介：MICCAI 2019大型椎体分割挑战赛第一名

摘要

从脊柱CT体积中定位和分割椎体对于病理诊断、手术计划和术后评估至关重要。然而，由于病理学的解剖学变化，螺钉和植入物引起的噪声以及螺钉和植入物引起的噪声以及大范围的不同视野，因此难以自动分析脊柱CT。提出了一种基于全卷积神经网络的全自动粗到细的椎骨定位和分割方法。
在三步方法中：

• 首先，U-net定位脊柱的大致位置。
• 然后，SpatialConfiguration-Net 使用热图回归执行椎骨定位和识别。
• 最后，U-Net对每个识别的椎骨进行细粒度的二值分割，然后将单个预测合并到最终的多标签椎骨分割中。

评估显示了我们方法的顶级性能，排名第一，并赢得了MICCAI 2019大型椎体分割挑战赛(2019版)

1、介绍

从脊柱CT体积中定位和分割椎体是涉及脊柱的许多临床应用的关键步骤，例如，病理诊断(Forsberg等人，2013年)、手术计划(Knez等人，2016年)和术后评估(Amato等人，2010年)。由于椎骨结构的高度重复性、骨折和植入物等不同病理形态的差异以及不同的视野，大多数的椎体定位和分割方法都是基于机器学习的。由于定位和分割本身都是困难的任务，大多数提出的方法只关注一个任务。

我们在本文中的主要贡献是：

• 我们开发了一种从粗略到精细的全自动方法来定位、识别和分割脊柱CT体积中的脊椎。我们首先粗略地定位脊椎，然后定位和识别单个脊椎，最后以高分辨率分割每个脊椎。
• 我们解决了在存在高度重复结构的情况下同时分割和标记脊椎的挑战性问题，首先进行定位和识别步骤，然后对单独识别的脊椎进行二值分割。
• 我们在MICCAI 2019大型垂直分割挑战赛(VERSE 2019)上对最先进的方法进行了评估和比较，涉及到图像合成和病理的真实条件。我们提出的方法取得了最好的性能，排名第一，并赢得了2019年挑战。

2、方法

我们用三步法进行椎骨定位和分割(见图1)。【上处相同的内容】

• 首先，由于输入CT的视野变化很大，输入分辨率较低的CNN预测脊柱的大致位置。
• 其次，另一个更高分辨率的CNN对单个椎体质心进行多个landmark的定位和识别。
• 最后，用最高分辨率的分割CNN对每个定位的椎体进行二值分割。然后将各节段椎体的结果合并到最终的多标记分割中。

图1：概述我们提出的从粗到细的全自动椎骨定位、识别和分割。三步法适用于具有大范围不同视野和病理学的脊柱CT。

2.1、脊柱定位

由于视野不同，脊柱CT容积中往往包含大量不包含有用信息的背景，而脊柱可能不在CT的中心。为了确保在随后的vertebrae localization 这一步骤中，脊椎显示于输入的中心，我们
首先需要预测出整条脊椎的形心的大致空间位置坐标。【即图2的红线${\hat{X}}_{spine}$】

第一步，我们预测脊柱的近似x和y坐标${\hat{X}}_{spine}\in {\mathbb{R}}^2$

• 为了定位${\hat{X}}_{spine}$，我们使用U-Net的变体来进行脊柱中心线（穿过所有椎体形心的线）的热图回归
• 脊柱中心线的目标热图 ： ${\dot{h}}_{spine}(x;{\sigma }_{spine})：R^3\to R$，是通过将脊柱上的每个椎体形心的目标坐标${\dot{x}}_i$ ，其大小为${\sigma }_{spine}$的高斯热图，合并得到。（如图2）【目标热图指的是GT，目标坐标是真实坐标】