跳转至

TransBTS_ 3D 多模态脑肿瘤分割 Transformer 阅读笔记

文章目录

  • 1 前言
  • 2 TransBTS 整体结构概述
  • 3 Network Encoder
  • 4 Network Decoder
  • 5 实验部分
  • 6 总结
  • 7 参考链接

1 前言

在这里插入图片描述

这是医学图像处理系列的第三篇文章，arXiv 链接在文末，为什么选择写下 TransBTS 这篇论文的阅读笔记？因为才有时间整理了。此外，与之前的两篇相比，它们都有各自的代表性。第一篇（https://zhuanlan.zhihu.com/p/505483978）是 2D Transformer 医学图像分割，第二篇（https://zhuanlan.zhihu.com/p/506716802）是轻量级网络 2.5D 的，在这一篇阅读笔记中，讲解的则是 3D 多模态脑肿瘤分割 Transformer，也接受在 MICCAI 上。后面文章过多的话，我会整理成目录的形式。

Transformer 由于自注意力机制具有捕获全局依赖特征的能力，且允许网络根据输入内容动态收集相关特征，在自然语言处理和 2D 图像分类方面取得了成功。然而，局部特征和全局特征对于 dense 的预测任务同样重要，尤其是对于 3D 医学图像分割。那么在 3D CNN 中利用 Transformer 是值得关注的，这篇文章中提出了基于编码器-解码器结构的新型网络 TransBTS，BTS 指的是 MRI 的脑肿瘤分割。为了获取局部的三维上下文信息，编码器首先利用 3D CNN 提取三维空间特征图。同时，对特征映射进行了细致的改造，将处理后的向量（token）输入到 Transformer 中进行全局特征建模。解码器利用 Transformer 嵌入的特征，进行渐进式上采样来预测详细的分割图。

本篇阅读笔记首先对论文进行概述；再详细介绍论文提出的 TransBTS 结构，设计一个神经网络，通过利用 Transformer 来有效地对 3D 医学图像的空间和深度维度上的局部和全局特征进行建模；最后分析了实验和分割可视化部分，并简单的总结。

2 TransBTS 整体结构概述

这部分我们直接看 TransBTS 的整体结构，然后再分析具体细节（分别看 Encoder 和Decoder）。关于 Transformer 在医学图像上应用的细节，可以在第一篇阅读笔记中发现。

对于给定输入图像 X，尺寸为 C×H×W×D，空间分辨率为H×W，深度维度为 D（切片数）和 C（模态数），首先利用 3D CNN 生成了捕获空间和深度信息的紧凑特征图（下采样），然后利用 Transformer layer 在全局空间中对长距离相关特征进行建模。之后，重复叠加上采样和卷积层，以逐渐产生高分辨率的分割结果，因为，高分辨率是医学图像必须的特性。如下图，这里我们先不关注具体细节，网络结构还是很清晰的。

在这里插入图片描述

3 Network Encoder

这部分我们先看一下网络的编码器部分，有一些细节需要介绍。由于 Transformer 的计算复杂度是 token 数量（即序列长度）的二次方，因此直接将输入图像展平为作为 T​​ransformer 输入的序列是不切实际的。因此，ViT 将图像拆分为固定大小 16 × 16 的 patch，然后将每个 patch 作为一个 token，将序列长度减少到 16 的平方。同理，对于 3D 图像数据，则转换为 3D patch 就好（为了方便下面理解，也就是说输入的特征图多了深度）。

然而，上面的策略使得 Transformer 无法跨空间和深度维度对图像局部上下文信息进行建模以进行 3D 分割（局部 3D 上下文特征获取难）。为了解决这个关键问题，这篇论文中的解决方案是使用下采样（stride=2 的卷积）堆叠 3 × 3 × 3 卷积块，以逐渐将输入图像编码为低分辨率的高级特征表示 F，尺寸为 K × H/8 × W/8 ×D/8 (K = 128)，既 H、W 和 D 是输入维度的 ⅛（总步长 = 8）。通过这种方式，丰富的局部 3D 上下文特征有效地嵌入到 F 中。然后，将 F 输入到 Transformer 编码器中，以进一步学习全局感受野的相关特征。

关于论文中的 Feature Embedding of Transformer Encoder。给定上面提到的特征图 F，为了确保每个 volume 的全面表示，使用线性投影（一个 3×3×3 卷积层）将通道维度从 K = 128 增加到 d = 512。Transformer 层期望一个序列作为输入。因此，需要将空间和深度维度折叠为一维，得到一个 d×N（N = H/8 × W/8 × D/8）特征图 f ，也可以看作是 N 个 size 为 d 的 token。此外，为了对分割任务中重要的位置信息进行编码，使用了可学习的 position embedding，并直接将它们与特征图 f 相加，这个操作在上面的整体网络结构图中可以看到哈，我就不赘述了。

然后就输入到 Transformer Layers 了，用 Transformer 的一些规则计算（同样可以在第一篇阅读笔记中发现），在这篇阅读笔记中，我也不详细介绍了。至此，就是 TransBTS 的编码器部分。

4 Network Decoder

下面我们来看下 TransBTS 的解码器部分。MRI 脑肿瘤分割需要在原始 3D 图像空间（H×W×D）中生成分割结果，所以引入了 3D CNN 解码器来执行特征上采样和像素级分割，也就是第二部分网络结构中的右半部分。

我们注意到，在右半部分大概有两个值得关注的内容，分别为 Feature Mapping 和 Progressive Feature Upsampling。

关于 Feature Mapping，它在解码器的首部，为了适应 3D CNN 解码器的输入维度，特征映射模块将序列数据投影回标准的 4D 特征映射。此外，为了降低解码器的计算复杂度，又采用卷积块将通道维度从 d 减小到 K。那么现在特征图的恢复到 K × H/8 × W/8 × D/8。

继续往下看，还有 Progressive Feature Upsampling 操作。也就是通过一系列的上采样操作和卷积块，得到 H × W × D 的分割结果。此外，还有跳过连接，以获得更精细的分割结果和更丰富的空间细节。解码器相对简单，到这就结束了。

5 实验部分

在这一部分，首先来看下这个 3D 多模态数据集。数据集中每个样本由四种脑磁共振成像扫描模式组成，即 T1、T1ce、T2 和 FLAIR。每个图片都是 240 × 240×155，并排列在同一个空间中。 标签包含 4 类：背景（标记 0）、坏死和非增强肿瘤（标记 1）、水肿（标记 2）和增强肿瘤（标记 4）。分割精度通过用于增强肿瘤区域（ET，标记 1）、肿瘤核心区域（TC，标记 1 和 4）和整个肿瘤区域（WT，标记 1、2 和 4）的 Dice 评分和 Hausdorff 距离（95%）度量来测量。

实验表明，TransBTS 在 3D MRI 扫描分割上实现了优于最先进的脑肿瘤分割方法的性能，对比实验结果如下。

在这里插入图片描述

在这里插入图片描述

相应的，对结果进行可视化，如下图。可以明显看出，TransBTS 可以更准确地分割出脑肿瘤，通过对每个体积之间的相关性进行建模来生成更好的分割 mask。

在这里插入图片描述

最后，我们来看下消融实验的部分。分别为序列长度消融实验、Transformer 位置的消融实验（下采样四次效果最好）和跳跃连接位置的消融研究，如下所示。

在这里插入图片描述

6 总结

这篇阅读笔记介绍了一种新的医学图像分割框架，该框架有效地结合了 3D CNN 和Transformer，用于磁共振成像中的多模态脑肿瘤分割。TransBTS 不仅继承了 3D CNN 建模局部上下文信息的优势，而且利用了 Transformer 学习全局语义相关性。最后，在 BraTS 2019 数据集上的实验结果验证了所提出的 TransBTS 的有效性。

这是医学图像处理系列的第三篇阅读笔记，欢迎交流和纠正！

7 参考链接

本文总阅读量次