Learning Tubule-Sensitive CNNs for Pulmonary Airway and Artery-Vein Segmentation in CT

Learning Tubule-Sensitive CNNs for Pulmonary Airway and Artery-Vein Segmentation in CT

Yulei Qin

IEEE Transactions on Medical Imaging 2021

Abstract

训练卷积神经网络（CNNs）分割肺气道、动脉和静脉具有挑战性，因为管状目标和背景之间的严重类别不平衡会导致监督信号稀疏。我们提出了一种基于CNN的非对比CT精确气道和动静脉分割方法。它对纤细的周围细支气管、小动脉和小静脉具有优越的敏感性。该方法首先使用特征校准模块，以充分利用从神经网络中学习到的特征。再适当地整合特征的空间信息，保持激活区域的相对优先级，有利于后续的通道级的再校准。然后引入注意力蒸馏模块，加强管状对象的表示学习。高分辨率注意图中的细粒度细节从一层递归地传递到上一层，以丰富上下文。设计并融合了肺上下文图和距离变换图的解剖先验，以提高动静脉的区分能力。广泛的实验表明，这些组件带来了相当大的性能提升。与最先进的方法相比，我们的方法提取了更多的目标分支，同时保持了具有竞争力的整体分割性能。

Contributions

1. 提出了一种基于小管敏感的CNN的肺气道和动静脉分割方法。该方法是首次尝试同时分割气管、动脉和静脉。文章还提出了一种融合先验空间知识的特征重校准模块，用于通道级重校准，它鼓励有区别的特征学习。
2. 引入了一个注意力蒸馏模块来加强管状呼吸道、动脉和静脉的表征学习，不需要额外的注释工作。
3. 通过利用肺上下文图和距离变换图作为额外的输入，将先验的显式解剖结构结合到动静脉分割中。
4. 论文分别在110个和55个平扫CT扫描上验证了所提出的方法在肺气管和动静脉上的有效性。大量实验表明，论文的方法对细小的呼吸道、小动静脉具有更高的敏感度，同时保持了超过或有竞争力的整理分割性能。

Methods

为了实现管状目标的有效特征学习，在CNN中引入了特征重新校准和注意力蒸馏模块，包含解剖学先验来为动静脉任务提供语义知识

1. 特征重校准

不断强调重要区域

在训练期间，重要的气管和动静脉区域会逐渐呈现较高的权重

2. 注意力蒸馏

为了解决严重的类不平衡导致的监督信号不足，蒸馏可以被视为另一个监督来源。

在两个连续的特征$A_m$和$A_{m+1}$之间执行注意力蒸馏，在上采样的过程中，用高分辨率的编码特征来监督低分辨率的解码特征，因为低分辨率解码特征上采样时容易丢失小管特征，用注意力蒸馏的方法来强制上采时关注到小管特征，并且不需要额外的监督标签。

类似用标签进行深监督，但两种方法孰强孰弱还不清楚。

3. 动静脉分割的解剖学先验

1. 使用肺部掩码作为先验
2. 由于肺内的肺动脉通常与气道平行，我们认为动脉与气道的接近程度可能对分割模型提供信息，以区分动脉和静脉。因此，对分割后的气道进行欧几里得距离变换，计算每个体素到其最近气道壁的距离。将计算得到的距离变换图与肺掩模相乘，以保持有效区域。有种位置编码的感觉
3. 总结，在动脉分割之前引入了两个图作为解剖结构（见图 4）：肺上下文图和距离变换图。第一个图提供了肺的额外语义知识，第二个图反映了体素与气管的接近程度。这些地图与CT子卷连接，作为分割模型的输入。