用于非增强CT肾脏肿瘤分割的基于层次分解的跨模态对比知识蒸馏

《Biomedical Signal Processing and Control》:Cross-modal contrastive knowledge distillation with hierarchical decomposition for kidney tumor segmentation in non-contrast CT

【字体: 大 中 小 】 时间:2026年10月18日 来源:Biomedical Signal Processing and Control 5.7

编辑推荐:

   •我们提出了一种非增强CT图像分割架构。•对比知识蒸馏将CECT特征迁移到NCCT中。•层次分解改善了肾与肿瘤的边界划分。•我们的方法提高了Dice系数和检出率,减少了NCCT中肿瘤的漏检。引言每年新确诊的肾癌病例超过43万例,构成了重大的全球公共卫生负担。由于成像技术的进步

  
  • •
    我们提出了一种非增强CT图像分割架构。
  • •
    对比知识蒸馏将CECT特征迁移到NCCT中。
  • •
    层次分解改善了肾与肿瘤的边界划分。
  • •
    我们的方法提高了Dice系数和检出率,减少了NCCT中肿瘤的漏检。

引言

每年新确诊的肾癌病例超过43万例,构成了重大的全球公共卫生负担。由于成像技术的进步和CT筛查的广泛应用,其发病率仍在持续上升[1]、[2]。早期发现对于有效治疗和改善患者预后至关重要。然而,早期肾肿瘤往往没有明显症状,通常是在常规CT检查中偶然发现的[3]、[4]。增强CT(CECT)是在注射造影剂后采集的图像。这会增加血供组织的衰减,并显示有助于区分肾实质、血管、病灶及其他结构的增强模式。这类图像提供了丰富的对比信息,便于清晰地区分肾脏结构与肿瘤。相比之下,在注射造影剂之前采集的扫描称为非增强CT(NCCT)。这类图像天然缺乏软组织对比度,因为体素强度仅反映固有解剖密度。在NCCT中,肾肿瘤与周围实质的密度几乎相同,使得手动和自动分割都更加困难(图1)。
尽管CECT具有优越的判别优势,但仍有一些令人信服的实际动机去开发基于NCCT的肿瘤分割技术。全球每年进行约3亿次CT扫描,其中约60%为非增强扫描[5]。省略造影剂注射可以缩短扫描时间,减少后勤复杂性,并降低总体医疗成本。更重要的是,它可以消除与肾毒性和过敏反应相关的风险,并避免造影剂诱导的急性肾损伤(CI-AKI)这一不容忽视的风险,后者可能会加重脆弱患者的肾功能不全。例如,已有报道称慢性肾病(CKD)患者的CI-AKI风险高达4%,重症患者中则达18%[6]。因此,NCCT被广泛认为是一种安全且具有成本效益的选择。它在临床实践中得到常规使用,特别适用于对造影剂有禁忌的患者或在初步筛查中[7]。然而,一项临床研究报道,回顾性可见的肾脏癌症中近三分之一在NCCT解读时最初被遗漏[8]。这一诊断局限性凸显了开发健壮的基于NCCT的分割技术的必要性,以支持准确可靠的肿瘤检测。开发此类方法的主要障碍是同密度问题,即肾脏和肿瘤表现出相似的强度水平。这种缺乏内在对比度的问题严重限制了分割方法的有效性,因为视觉边界往往是模糊的或完全缺失的[9]、[10]。
现有的基于深度学习的分割方法曾尝试解决这一挑战,但由于NCCT图像对比度较差,其效果仍然有限。传统模型,如U-Net及其变体,由于缺乏对比增强,难以从NCCT中提取具有判别性的肿瘤特征[11]、[12]。最近,隆起检测网络被引入用于检测肾脏形状上的凸起,作为肿瘤分割的代理[13]。虽然该方法显示出了前景,但对外部表面变形的依赖性使其不太适用于内生性或最小凸起的肿瘤。其他方法,如基于流形扩散的病灶检测[9]和用于外生性肾病变的计算机辅助检测(CAD)系统[10],试图通过利用形态学先验知识和肾脏表面形变来完善肿瘤识别。然而,由于NCCT扫描中固有的低对比度,这些方法仍然面临假阳性和泛化能力差的问题。除了专注于分割的方法之外,最近的基于深度学习的医学影像合成也探索了使用深度学习模型从NCCT生成合成CECT[14]。虽然这些方法通过增强NCCT图像来改善对比度,但它们在生成能够直接促进肿瘤分割的图像方面仍然有限。这些局限性凸显了需要一种更健壮的框架来准确区分肿瘤与正常肾脏结构。
为了解决在非增强CT(NCCT)上进行肾脏肿瘤分割的挑战,我们提出了一种新颖的跨模态对比知识蒸馏与层次分解(CCKD-HD)框架。我们的方法在训练期间有效地将富含对比的知识从增强CT(CECT)迁移到NCCT,从而在推理时仅需NCCT即可实现准确的肿瘤分割。为改善对比特征的迁移,我们引入了一种层次分解策略,将肾脏结构知识与用于肾-肿瘤区分的对比知识分离开来。这种分解允许从CECT中显式地将与对比相关的信息蒸馏到NCCT中,确保模型学习准确肿瘤分割所需的关键特征。为进一步增强肿瘤特征表示,我们提出了跨模态对比知识蒸馏,其中CECT训练的教师模型通过迁移富含对比的肿瘤表示来指导基于NCCT的学生模型。通过这一过程,模型能够更有效地将NCCT肿瘤特征嵌入与富含对比的CECT对应表示进行对齐,确保模糊的肿瘤区域与肾脏结构更加清晰地区分。我们在一个公开的肾脏肿瘤数据集上进行了大量实验,证明了CCKD-HD显著优于最先进的分割方法。我们的结果验证了该框架在常规CT筛查中的临床适用性,提供了一种受益于富含对比知识迁移的健壮的基于NCCT的肿瘤分割模型。
CCKD-HD的主要贡献总结如下:
  • •
    层次任务分解。 将三类肾-肿瘤分割问题分解为前景定位和前景引导的肾-肿瘤区分,将模型容量集中于NCCT中模糊的肾-肿瘤边界。
  • •
    难度感知的跨模态对比蒸馏。 CECT教师通过对比目标指导NCCT学生,将有困难的NCCT肿瘤特征拉向富含对比的CECT肿瘤表示并将其推离肾脏表示,重点关注最可能被误分类的区域。
  • •
    仅依赖NCCT推理。 CECT监督仅在训练期间需要,因此部署后的模型仅处理NCCT输入,与常规NCCT筛查设置相匹配,无需额外的推理成本。

章节摘要

医学图像分割

自从U-Net[11]引入以来,医学图像分割取得了显著进步,它建立了至今仍被广泛采用的编码器-解码器架构,并带有跳跃连接。U-Net最初是为2D生物医学图像开发的,引入了带有跳跃连接的对称下采样和上采样路径,能够在保留上下文信息的同时实现精确定位。3D U-Net[15]通过将所有2D操作替换为其3D

提出的框架

本节详细介绍了我们提出的跨模态对比知识蒸馏与层次分解(CCKD-HD)框架,该框架通过利用CECT中的对比知识实现了NCCT上有效的肾脏肿瘤分割。我们的方法包括两个关键阶段:(1)分割任务的层次分解,以及(2)带有难度感知学习策略的跨模态对比知识蒸馏。CCKD-HD的整体流程为

数据集

我们在两个数据集上训练和评估了所提出的CCKD-HD框架:公开的KiTS19挑战数据集[28]、[29]和一个内部的圣玛丽医院数据集。KiTS19数据集包含210张带有肾脏和肿瘤分割标签的CECT图像。相应的NCCT图像可从癌症影像档案馆(TCIA)[30]获取,这是一个公开可访问的匿名化医学图像档案。TCIA集合共包含108例NCCT病例;然而,分割标签并不

结论

在本研究中,我们提出了跨模态对比知识蒸馏与层次分解(CCKD-HD),这是一种新颖的框架,通过利用CECT中的对比知识来增强基于NCCT的肾脏肿瘤分割。通过层次分解分割任务,我们有效地将结构性和基于对比的肿瘤特征分离开来。此外,我们的跨模态对比学习策略确保NCCT肿瘤特征与富含对比的CECT表示对齐,而

CRediT作者贡献声明

Dong-Heon Yeon:撰写—审阅与编辑,撰写—初稿,验证,软件,方法论,调查研究,概念构思。Seung-Min Oh:撰写—审阅与编辑,可视化,软件,方法论,调查研究,概念构思。Seong-Woo Jo:撰写—审阅与编辑,可视化,软件,方法论,调查研究,概念构思。Sung-Hoo Hong:撰写—审阅与编辑,验证,数据管理。Moon-Hyung Choi:撰写—审阅与编辑,验证,数据

关于生成式AI及AI辅助技术在论文撰写过程中的声明

在准备本作品期间,作者使用了Claude(Anthropic)来识别语法问题和小的排版问题,以及改善手稿的可读性。在使用该工具后,作者根据需要对内容进行了审阅和编辑,并对已发表文章的内容承担全部责任。

利益冲突声明

作者声明,他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。

致谢

本工作得到了韩国中小企部和初创部(MSS, Korea)资助的技术发展项目(RS-2024-00460263)的支持,并得到了嘉泉大学(Gachon University)2024年研究基金(GCU-202500720001)的支持。
Dong-Heon Yeon|Seung-Min Oh|Seong-Woo Jo|Sung-Hoo Hong|Moon-Hyung Choi|Sung-Jea Ko|Kwang-Hyun Uhm
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号