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
- 过去研究没有特别考虑气道连通性,存在改进空间
- 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
- 采用二值标签对气道连通性进行建模
- 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
- 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。
- 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
- 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
- 肺区域掩码提取,避免从不相关的部分(肋骨等)学习特征
- CT强度值划分[-1000, 600]并归一化到[0,255]
- 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
- 采用0.5的阈值对预测结果进行二值化
- 只保留两两一致的成对体素标记为1,其他都为0
- 分割结果与肺部掩码相乘以过滤假阳性
Experiments
总结
- 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
- 论文的其他预处理方法可以借鉴