HMRNet: High and Multi-Resolution Network with Bidirectional Feature Calibration for Brain Structure Segmentation in Radiotherapy

要約

放射線治療における脳腫瘍のCTV（Clinical Target Volume）自動描画には，癌の広がりを阻む解剖学的な脳内障壁（ABCs）の正確なセグメンテーションが重要である．しかし，U-Netは様々な形状や大きさのABC構造，特に数枚のスライスからなる細い構造（falx cerebriなど）を扱う場合には，その性能は限定的である．この問題に対処するため、我々はマルチスケール特徴学習枝と高解像度枝からなる高解像度ネットワーク（HMRNet）を提案し、高解像度の文脈情報を維持しつつ、様々なスケールを持つ解剖学的構造のより頑健な表現を抽出することが可能である。さらに、双方向特徴量較正（BFC）ブロックを設計し、2つのブランチが相互に特徴量較正のための空間アテンションマップを生成することを可能にする。ABC構造の大きさや位置が異なることを考慮し、我々のネットワークを各構造の大まかな位置決めを行った後に適用し、細かいセグメンテーション結果を得た。MICCAI 2020 ABCsチャレンジデータセットに対する実験では、以下のことが示された。1) 提案する2段階セグメンテーション手法は、1段階のみで全ての構造をセグメンテーションする手法を大きく上回る、2) 2つのブランチを持つ提案HMRNetは、高解像度表現を維持でき、薄い構造に対する性能向上に有効である、3) 提案BFCブロックは、単方向特徴量校正を用いた既存の注目手法を上回る、ことが示された。本手法はABCs2020チャレンジで2位を獲得し，脳腫瘍のCTVをより正確かつ合理的に描出する可能性を持っている．

要約(オリジナル)

Accurate segmentation of Anatomical brain Barriers to Cancer spread (ABCs) plays an important role for automatic delineation of Clinical Target Volume (CTV) of brain tumors in radiotherapy. Despite that variants of U-Net are state-of-the-art segmentation models, they have limited performance when dealing with ABCs structures with various shapes and sizes, especially thin structures (e.g., the falx cerebri) that span only few slices. To deal with this problem, we propose a High and Multi-Resolution Network (HMRNet) that consists of a multi-scale feature learning branch and a high-resolution branch, which can maintain the high-resolution contextual information and extract more robust representations of anatomical structures with various scales. We further design a Bidirectional Feature Calibration (BFC) block to enable the two branches to generate spatial attention maps for mutual feature calibration. Considering the different sizes and positions of ABCs structures, our network was applied after a rough localization of each structure to obtain fine segmentation results. Experiments on the MICCAI 2020 ABCs challenge dataset showed that: 1) Our proposed two-stage segmentation strategy largely outperformed methods segmenting all the structures in just one stage; 2) The proposed HMRNet with two branches can maintain high-resolution representations and is effective to improve the performance on thin structures; 3) The proposed BFC block outperformed existing attention methods using monodirectional feature calibration. Our method won the second place of ABCs 2020 challenge and has a potential for more accurate and reasonable delineation of CTV of brain tumors.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL