[论文解读] Contrastive Registration for Unsupervised Medical Image Segmentation

Lihao Liu, Angelica I. Avilés-Rivero+1 more|arXiv (Cornell University)|Nov 17, 2020

Medical Image Segmentation Techniques参考文献 53被引用 12

一句话总结

本文提出 CLMorph，一种新颖的无监督医学图像分割方法，通过基于 CNN 的架构将图像级配准与特征级对比学习相结合。通过联合优化空间对齐与判别性特征表示，CLMorph 在脑部和心脏 MRI 数据集上实现了最先进性能，在 BraTS 数据集上的 Dice 分数达到 0.763。

ABSTRACT

Medical image segmentation is a relevant task as it serves as the first step for several diagnosis processes, thus it is indispensable in clinical usage. Whilst major success has been reported using supervised techniques, they assume a large and well-representative labelled set. This is a strong assumption in the medical domain where annotations are expensive, time-consuming, and inherent to human bias. To address this problem, unsupervised techniques have been proposed in the literature yet it is still an open problem due to the difficulty of learning any transformation pattern. In this work, we present a novel optimisation model framed into a new CNN-based contrastive registration architecture for unsupervised medical image segmentation. The core of our approach is to exploit image-level registration and feature-level from a contrastive learning mechanism, to perform registration-based segmentation. Firstly, we propose an architecture to capture the image-to-image transformation pattern via registration for unsupervised medical image segmentation. Secondly, we embed a contrastive learning mechanism into the registration architecture to enhance the discriminating capacity of the network in the feature-level. We show that our proposed technique mitigates the major drawbacks of existing unsupervised techniques. We demonstrate, through numerical and visual experiments, that our technique substantially outperforms the current state-of-the-art unsupervised segmentation methods on two major medical image datasets.

研究动机与目标

• 为解决标注医学图像的高成本与稀缺性问题，开发一种不依赖人工标注的无监督分割方法。
• 通过整合图像级配准与特征级对比表示学习，提升无监督分割性能。
• 弥合监督与无监督分割技术在医学影像中的性能差距。
• 证明对比学习可在无需分割标注的情况下增强基于配准分割的特征判别能力。

提出的方法

• 该方法采用权重共享的编码器架构，从未对齐图像和参考图像中提取 CNN 特征。
• 通过使用受 VoxelMorph 启发的架构学习图像到图像的变换映射，构建基于配准的分割任务。
• 引入对比学习头，比较未对齐图像与参考图像的特征，促进判别性特征学习。
• 模型优化包含配准平滑损失与特征判别对比损失的联合损失函数。
• 对比损失应用于两幅图像的潜在特征表示，促进正样本对（匹配的图像-参考图像对）的特征不变性。
• 整个网络以端到端方式无监督训练，分割掩码通过学习到的变换从参考图像传递到未对齐图像。

实验结果

研究问题

• RQ1 当与图像配准结合时，对比表示学习是否能提升无监督医学图像分割性能？
• RQ2 特征级对比学习的整合如何影响基于配准的分割模型的判别能力？
• RQ3 无监督方法在多大程度上可实现接近监督最先进技术的医学图像分割性能？
• RQ4 在所提出的架构中，配准损失与对比损失的最佳平衡是什么？

主要发现

• CLMorph 在 BraTS 数据集上实现了 0.763 的 Dice 分数，显著优于现有无监督方法。
• 消融实验确认，对比学习与配准组件均对分割性能有积极贡献。
• 在 ACDC 心脏 MRI 数据集上，CLMorph 在 Dice 和 ASSD 指标上均优于所有基线方法，HD 指标也表现良好。
• 可视化结果表明，CLMorph 更好地保留了精细解剖细节，并产生比基线更少模糊的配准输出。
• 最优超参数组合被确定为 α=1（平滑损失）和 β=0.01（对比损失），此时 Dice 分数最高。
• 该方法在不同解剖结构上表现出强泛化能力，包括脑部与心脏影像。