AirwayNet: A Voxel-Connectivity Aware Approach for Accurate Airway Segmentation Using Convolutional

AirwayNet: A Voxel-Connectivity Aware Approach for Accurate Airway Segmentation Using Convolutional Neural Networks

Yulei Qin

MICCAI 2019

Abstract

CT上的气道分割对肺部疾病的诊断和支气管内导航至关重要。由于气道结构复杂，外观多样，人工提取气道需要付出很大的努力。在自动气道提取中，基于卷积神经网络(cnn)的方法已成为目前最先进的方法。然而，cnn如何感知树状模式，理解气道的连通性仍然是一个挑战。为了解决这个问题，我们提出了一种名为AirwayNet的体素连接感知方法，用于精确的气道分割。通过连通性建模，将传统的二元分割任务转化为26个连通性预测任务。因此，我们的AirwayNet学习气道结构和相邻体素之间的关系。为了充分利用上下文知识，将肺距离图和体素坐标作为附加语义信息输入AirwayNet。与现有方法相比，AirwayNet获得了更好的性能，证明了网络对体素连通性感知的有效性。

要解决的问题

1. 过去研究没有特别考虑气道连通性，存在改进空间
2. 过去研究可以分割大尺寸的支气管，但对周围支气管的分割效果较差

贡献

1. 采用二值标签对气道连通性进行建模
2. 利用坐标及到肺边界的距离作为额外的语义信息

Method

1. 使用二值标签转化为连通性预测

1. 通过在每个体素上滑动这样的3 × 3 × 3窗口，获得26个二进制标签，并将它们连接成26通道连接标签。
2. 由1xZxHxW的分割标签转化为26xZxHxW的连通性标签，既包含了气道本身的标签，也包含了气道体素之间的26-连通性关系
3. 之后，分割任务就转化为了26个连通性预测任务，连通性标签强调气道的结构属性，网络被鼓励去掌握气道的树形结构

2. 预处理

1. 肺区域掩码提取，避免从不相关的部分（肋骨等）学习特征
2. CT强度值划分[-1000, 600]并归一化到[0,255]
3. 滑动窗口进行训练

3. 基于3D cnn的连通性预测

4. 气道候选区生成

1. 采用0.5的阈值对预测结果进行二值化
2. 只保留两两一致的成对体素标记为1，其他都为0
3. 分割结果与肺部掩码相乘以过滤假阳性

Experiments

总结

1. 论文提出了一种生成连通性标签的新方法，可作为额外的监督任务使用
2. 论文的其他预处理方法可以借鉴