[论文解读] Dual-Task Mutual Learning for Semi-Supervised Medical Image Segmentation

Yichi Zhang, Jicong Zhang|arXiv (Cornell University)|Mar 8, 2021

Advanced Neural Network Applications参考文献 28被引用 9

一句话总结

该论文提出了一种用于半监督医学图像分割的双任务互学习框架，通过联合训练两个网络来预测分割概率图和符号距离图，实现协同学习与几何形状正则化。通过在未标记数据上强制执行跨任务一致性，该方法实现了最先进性能，在左心房分割数据集上仅使用16张标记扫描和64张未标记扫描即达到90.12%的Dice分数。

ABSTRACT

The success of deep learning methods in medical image segmentation tasks usually requires a large amount of labeled data. However, obtaining reliable annotations is expensive and time-consuming. Semi-supervised learning has attracted much attention in medical image segmentation by taking the advantage of unlabeled data which is much easier to acquire. In this paper, we propose a novel dual-task mutual learning framework for semi-supervised medical image segmentation. Our framework can be formulated as an integration of two individual segmentation networks based on two tasks: learning region-based shape constraint and learning boundary-based surface mismatch. Different from the one-way transfer between teacher and student networks, an ensemble of dual-task students can learn collaboratively and implicitly explore useful knowledge from each other during the training process. By jointly learning the segmentation probability maps and signed distance maps of targets, our framework can enforce the geometric shape constraint and learn more reliable information. Experimental results demonstrate that our method achieves performance gains by leveraging unlabeled data and outperforms the state-of-the-art semi-supervised segmentation methods.

研究动机与目标

• 减少对大量标注医学图像数据的依赖，因为这些数据获取成本高且耗时。
• 通过有效利用丰富的未标记数据，提升半监督医学图像分割性能。
• 解决伪标签方法可能引入噪声标注的局限性。
• 通过两个不同但互补任务之间的协同学习，增强模型的鲁棒性和泛化能力。

提出的方法

• 该框架由两个独立网络组成：一个用于预测分割概率图（语义分割任务），另一个用于回归符号距离图（几何形状约束任务）。
• 两个网络均在标记数据上使用监督损失进行训练，以确保可靠的初始化和任务特定的表征学习。
• 在未标记数据上应用无监督的跨任务一致性损失，强制两个网络对同一输入的预测保持一致。
• 使用符号距离图可提供可微分、连续的监督信号，编码边界几何信息并支持形状正则化。
• 通过任务级知识迁移实现互学习：每个网络通过跨任务预测对齐，隐式提升另一个网络的性能。
• 该方法将两个输出整合到统一的训练目标中，强制实现几何一致性，并在有限标注下提升泛化能力。

实验结果

研究问题

• RQ1 联合学习分割概率图与符号距离图是否能提升半监督医学图像分割性能？
• RQ2 在语义分割与边界几何建模这两个不同任务之间进行互学习，如何增强模型的泛化能力？
• RQ3 通过跨任务一致性正则化，未标记数据能在多大程度上被有效利用？
• RQ4 所提出的双任务框架在分割准确性和鲁棒性方面是否优于现有最先进半监督分割方法？

主要发现

• 在左心房分割数据集上，该方法仅使用16张标记扫描和64张未标记扫描，即达到90.12%的Dice分数，优于所有对比的最先进方法。
• 与独立训练每个任务相比，该方法性能显著提升（90.12% vs. 89.54% 和 89.65%），且差异具有统计学显著性（p < 0.05）。
• 该框架将平均表面距离（ASD）降低至1.82个体素，95%平均豪斯多夫距离（95HD）降低至7.01个体素，表明边界精度得到改善。
• 可视化对比显示，所提方法生成的分割掩码与真实值重叠度高于基线方法。
• 消融实验表明，若移除跨任务一致性损失，性能将下降，验证了其在知识蒸馏中的关键作用。
• 仅使用20%的标记数据，该方法即达到接近上界性能（Dice分数为91.14%），展现出强大的数据效率。