Improving Breast Tumor Segmentation in PET via Attentive Transformation Based Normalization

乳腺癌是中国乃至世界女性健康的最大威胁之一，乳腺癌的早期发现和治疗对于降低病人死亡率至关重要。正电子发射计算机断层扫描（PET）在早期的癌症诊断和治疗监测等方面发挥着重要的作用，PET图像中准确的病灶分割是许多临床问题定量定性分析的先决条件。 课题组SJTU-USYD 联合培养博士生乔萧雅，与悉尼大学Jinman Kim课题组合作，提出了一种用于PET肿瘤分割的基于注意力转换 (AT) 的网络归一化算法，该方法利用 PET 图像中乳腺肿瘤的易区分性，动态生成逐像素的可学习参数进行特征重校正，有助于提升分割网络的性能。该成果已发表至 IEEE Journal of Biomedical and Health Informatics (JBHI) 期刊。 近年来，随着深度学习方法的发展，卷积神经网络（CNN），如U-Net，已广泛用于医学图像分析，并在病灶分割中表现出良好的性能。但是由于PET图像的低信噪比（SNR），低空间分辨率，以及容易受到假阳性区域的干扰等问题，PET图像中的乳腺肿瘤自动分割仍然是一项艰巨的任务。因此，我们提出了一种基于注意力变换的网络归一化算法（AT），该算法可以替换任意分割网络的归一化层，通过动态的学习并生成网络中间特征在空间和通道维度的注意力响应，融合得到特征在像素维度的注意力仿射变换矩阵，为网络归一化层中的特征重新校准提供基于注意力的先验信息，使得特征能够更加关注肿瘤所在区域，有助于提升分割网络的性能。 在两个不同的乳腺癌数据集上的定性和定量的实验结果表明，基于注意力变换的网络归一化算法可以有效提升PET图像中的乳腺肿瘤分割性能，AT在各项评价指标中都有较好表现，尤其是Dice Score和精度，在两个数据集上的表现都为最优。如图2所示，相较于其他的网络归一化算法，AT的分割结果表现出更少的过分割和欠分割，且更能还原肿瘤边界的细节形状，更接近专家标记的肿瘤区域轮廓。 本算法估计出的动力学参数与单示踪剂扫描的相关性在各个扫描方案下都高于传统的平行房室模型非线性拟合的方法。