[论文解读] LT-Net: Label Transfer by Learning Reversible Voxel-wise Correspondence for One-shot Medical Image Segmentation

Shuxin Wang, Shilei Cao+6 more|arXiv (Cornell University)|Mar 16, 2020

Medical Image Segmentation Techniques参考文献 40被引用 5

一句话总结

LT-Net 提出了一种一次性医学图像分割方法，通过循环一致性对应学习，实现标注图谱与未标注目标图像之间的可逆体素级对应关系。通过对抗性训练与循环一致性联合回归前向和后向形变场，该方法仅使用一个标注样本即实现了最先进性能，显著提升了现有方法的鲁棒性与准确性。

ABSTRACT

We introduce a one-shot segmentation method to alleviate the burden of manual annotation for medical images. The main idea is to treat one-shot segmentation as a classical atlas-based segmentation problem, where voxel-wise correspondence from the atlas to the unlabelled data is learned. Subsequently, segmentation label of the atlas can be transferred to the unlabelled data with the learned correspondence. However, since ground truth correspondence between images is usually unavailable, the learning system must be well-supervised to avoid mode collapse and convergence failure. To overcome this difficulty, we resort to the forward-backward consistency, which is widely used in correspondence problems, and additionally learn the backward correspondences from the warped atlases back to the original atlas. This cycle-correspondence learning design enables a variety of extra, cycle-consistency-based supervision signals to make the training process stable, while also boost the performance. We demonstrate the superiority of our method over both deep learning-based one-shot segmentation methods and a classical multi-atlas segmentation method via thorough experiments.

研究动机与目标

• 为解决基于深度学习的分割中标注医学图像有限的问题，通过仅使用一个标注样本实现一次性学习。
• 通过引入循环一致性监督，提升在缺乏真实对应关系情况下的对应学习稳定性与准确性。
• 通过学习保持解剖结构的双向形变场，利用深度学习增强基于图谱的分割。
• 通过利用单个标注图谱实现对新未标注扫描的泛化，降低对大规模标注数据集的依赖。
• 在人工标注耗时且昂贵的临床环境中，实现鲁棒且准确的分割。

提出的方法

• LT-Net 学习从图谱到目标图像的前向形变场，以及从形变后的图谱返回原始图谱的后向形变场，形成循环一致性对应学习框架。
• 该模型采用基于 VoxelMorph 的主干网络，并引入生成对抗网络（GAN），通过判别器区分真实图像与合成图像，提供间接监督。
• 采用局部归一化互相关损失，衡量目标图像与形变图谱之间的相似性，促进局部强度一致性。
• 对形变场施加平滑性损失，以正则化空间梯度，防止解剖结构扭曲。
• 完整损失函数结合相似性、平滑性与对抗性损失，仅使用一个标注样本端到端训练网络。
• 通过确保前向与后向形变的复合近似恒等映射，强制实现循环一致性，提升训练稳定性。

实验结果

研究问题

• RQ1 在缺乏真实对应关系的情况下，循环一致性对应学习是否能提升一次性医学图像分割的鲁棒性与准确性？
• RQ2 在缺乏真实监督的情况下，通过判别器区分真实图像与合成图像的对抗性训练，如何增强对应学习？
• RQ3 与单向方法相比，引入后向对应学习在多大程度上提升了分割性能？
• RQ4 仅使用可微分的可微形变场，单个标注图谱能否有效泛化到多样化的未标注目标图像？
• RQ5 与经典多图谱方法及现代基于深度学习的一次性分割方法相比，该方法在准确率与稳定性方面表现如何？

主要发现

• LT-Net 在 CANDI 数据集上达到最先进性能，优于经典多图谱分割方法与近期基于深度学习的一次性方法。
• 引入后向对应学习显著提升了训练稳定性并减少了模式崩溃，尤其在缺乏真实对应关系时效果明显。
• 基于循环一致性的监督信号生成了更准确且解剖上合理的形变场，从而提升了分割质量。
• 通过判别器区分真实与合成图像的对抗性训练，提供了有效的间接监督，增强了泛化能力与鲁棒性。
• 该方法在 CANDI 数据集的全部 28 个解剖结构上均取得高 Dice 评分，大多数结构的平均 Dice 分数超过 0.85。
• 消融实验表明，若移除后向对应学习或 GAN 组件，分割性能将显著下降，验证了设计选择的有效性。