[论文解读] Semi-Supervised Brain Lesion Segmentation with an Adapted Mean Teacher Model

Wenhui Cui, Yi Liu+7 more|arXiv (Cornell University)|Mar 4, 2019

Brain Tumor Detection and Classification参考文献 16被引用 11

一句话总结

本文提出了一种基于改进的 Mean Teacher 模型的半监督脑部病灶分割方法，利用标注和未标注的 MRI 数据。通过在相同未标注扫描的噪声增强版本之间强制执行分割一致性，并采用基于指数移动平均的师生模型更新策略进行自集成，该方法实现了最先进性能，在仅使用 10 个标注扫描时甚至超越了全监督基线模型。

ABSTRACT

Automated brain lesion segmentation provides valuable information for the analysis and intervention of patients. In particular, methods based on convolutional neural networks (CNNs) have achieved state-of-the-art segmentation performance. However, CNNs usually require a decent amount of annotated data, which may be costly and time-consuming to obtain. Since unannotated data is generally abundant, it is desirable to use unannotated data to improve the segmentation performance for CNNs when limited annotated data is available. In this work, we propose a semi-supervised learning (SSL) approach to brain lesion segmentation, where unannotated data is incorporated into the training of CNNs. We adapt the mean teacher model, which is originally developed for SSL-based image classification, for brain lesion segmentation. Assuming that the network should produce consistent outputs for similar inputs, a loss of segmentation consistency is designed and integrated into a self-ensembling framework. Specifically, we build a student model and a teacher model, which share the same CNN architecture for segmentation. The student and teacher models are updated alternately. At each step, the student model learns from the teacher model by minimizing the weighted sum of the segmentation loss computed from annotated data and the segmentation consistency loss between the teacher and student models computed from unannotated data. Then, the teacher model is updated by combining the updated student model with the historical information of teacher models using an exponential moving average strategy. For demonstration, the proposed approach was evaluated on ischemic stroke lesion segmentation, where it improves stroke lesion segmentation with the incorporation of unannotated data.

研究动机与目标

• 解决医学图像分割中脑部 MRI 数据标注成本高且稀缺的问题。
• 在仅有限标注数据可用时提升分割性能。
• 将原本用于图像分类的 Mean Teacher 框架适配至半监督脑部病灶分割任务。
• 通过一致性正则化和自集成策略利用未标注数据，以提升模型鲁棒性和泛化能力。
• 在真实临床 MRI 数据上验证该方法在缺血性卒中病灶分割中的有效性。

提出的方法

• 采用基于 DeepMedic CNN 架构的师生模型架构，用于分割任务。
• 学生模型通过最小化加权损失和进行训练：(1) 标注数据上的交叉熵损失，以及 (2) 未标注数据上的基于 Dice 的一致性损失。
• 对未标注样本应用高斯噪声进行数据增强，生成两个相似输入，并强制模型在两者之间保持预测一致。
• 教师模型通过学生模型权重的指数移动平均（EMA）进行更新，以保留历史信息。
• 学生与教师模型以交替方式训练，教师模型为学生提供稳定的目标。
• 最终分割由训练好的教师模型执行，其聚合了多个训练步骤的知识。

实验结果

研究问题

• RQ1 Mean Teacher 框架能否有效适配至 MRI 中的半监督脑部病灶分割？
• RQ2 在未标注数据的噪声增强版本上强制预测一致性如何提升分割性能？
• RQ3 通过师生模型更新机制实现的自集成策略是否相比标准 SSL 方法提升了模型泛化能力？
• RQ4 当仅使用少量标注扫描时，该方法表现如何？
• RQ5 在数据稀缺条件下，该方法能否超越全监督基线模型和现有 SSL 方法？

主要发现

• 在测试集上，该方法取得了 0.6518 ± 0.2484 的平均 Dice 分数，显著优于在 20 个标注扫描上训练的基线 DeepMedic 模型。
• 仅使用 10 个标注扫描时，该方法的 Dice 分数与在 30 个标注扫描上训练的基线模型相当。
• 在所有数据设置下，该方法均优于对比的 SSL 方法（DeepMedic-EN 和 DeepMedic-UDA），尤其在训练数据有限时表现更优。
• 基于同一未标注扫描的噪声增强版本之间 Dice 系数的一致性损失提供了有效的正则化。
• 基于 EMA 的教师模型更新策略稳定了训练过程，并提升了模型鲁棒性，特别是在低数据场景下。
• 该方法展现出强大的泛化能力，即使在标注样本极少的情况下，引入未标注数据也能显著提升 Dice 分数。