[论文解读] Unsupervised Domain Adaptation for Automatic Estimation of Cardiothoracic Ratio

Nanqing Dong, Michael Kampffmeyer+4 more|arXiv (Cornell University)|Jul 10, 2018

Radiomics and Machine Learning in Medical Imaging被引用 5

一句话总结

本论文提出一种基于对抗网络的无监督域自适应框架，实现无需目标数据集像素级标注即可准确进行胸部X光片的心胸比（CTR）自动估计。通过联合训练分割器与判别器以区分预测掩码与真实掩码，模型学习到域不变特征，在未标注数据上实现5.8%的平均百分比误差和87.78%的心脏肥大检测准确率。

ABSTRACT

The cardiothoracic ratio (CTR), a clinical metric of heart size in chest X-rays (CXRs), is a key indicator of cardiomegaly. Manual measurement of CTR is time-consuming and can be affected by human subjectivity, making it desirable to design computer-aided systems that assist clinicians in the diagnosis process. Automatic CTR estimation through chest organ segmentation, however, requires large amounts of pixel-level annotated data, which is often unavailable. To alleviate this problem, we propose an unsupervised domain adaptation framework based on adversarial networks. The framework learns domain invariant feature representations from openly available data sources to produce accurate chest organ segmentation for unlabeled datasets. Specifically, we propose a model that enforces our intuition that prediction masks should be domain independent. Hence, we introduce a discriminator that distinguishes segmentation predictions from ground truth masks. We evaluate our system's prediction based on the assessment of radiologists and demonstrate the clinical practicability for the diagnosis of cardiomegaly. We finally illustrate on the JSRT dataset that the semi-supervised performance of our model is also very promising.

研究动机与目标

• 解决医学图像分割中因心胸比（CTR）估计所需像素级标注数据有限的挑战。
• 克服因成像协议和图像质量差异导致的不同医院胸部X光数据集之间的域偏移问题。
• 开发一种仅依赖源域标注即可在未标注目标数据集上实现准确CTR估计的方法。
• 通过放射科医生评估和心脏肥大检测验证性能，证明方法的临床实用性。
• 将框架扩展至半监督学习，利用未标注数据提升JSRT基准上的分割性能。

提出的方法

• 提出一种新颖的对抗训练方案，其中判别器用于区分预测分割掩码与真实掩码，强制实现域不变的预测结果。
• 在分割器和判别器中均采用ResNet18主干网络，分割器基于全卷积网络（FCN）架构，输出步长为16。
• 通过生成真实且与域无关的分割掩码，使分割器能够欺骗判别器，从而最小化域偏移的影响。
• 对预测的肺部分割掩码进行后处理以计算CTR，使用0.5的阈值对心脏肥大进行分类。
• 采用对抗损失，超参数λadv = 10−4，并使用Adam优化器，学习率为10−3，先更新判别器两次，再更新分割器。
• 通过引入JSRT数据集中的未标注数据，将框架适配至半监督学习，实现仅用少量标注数据即显著提升性能。

实验结果

研究问题

• RQ1 在无目标数据标注的情况下，对抗域自适应能否有效减少不同医院X光数据集间CTR估计的域偏移？
• RQ2 通过判别器强制预测掩码具备域独立性，是否相比标准域自适应方法能提升分割泛化能力？
• RQ3 在仅使用源域标注和未标注目标数据的情况下，所提方法在心脏肥大检测中的有效性如何？
• RQ4 在半监督设置下，模型在多大程度上能利用未标注数据提升JSRT基准上的分割性能？
• RQ5 该框架能否在显著减少标注需求的前提下，实现与监督基线方法相当的临床相关性能？

主要发现

• 所提出的DA-ADV方法在Wingspan目标数据集上实现5.8%的平均百分比误差（APE）、3.3%的平均绝对误差（MAE）和0.06的均方根误差（RMSE），优于基线迁移学习（TL-SEG）和SOTA方法如ADDA。
• 在Wingspan数据集上，基于预测肺部分割掩码进行分类，模型实现87.78%的准确率、97.72%的精确率、84.21%的敏感度和95.57%的特异性，用于心脏肥大检测。
• 在半监督实验中，当仅使用50%的JSRT训练数据标注时，模型在肺部分割上达到90.4%的IoU，在心脏分割上达到81.2%的IoU，显著优于仅用少量标注数据的全监督基线。
• 该方法在无需数据增强的情况下仍表现出鲁棒性，凸显其在多样化成像条件下的泛化能力。
• 图4的定性结果表明，即使在无目标数据标注的情况下，模型在目标域上仍能生成准确且一致的分割掩码。
• 通过实验证明，该方法通过在不同域间对齐预测掩码，有效减少了数据集偏移，表现为训练后判别器无法区分真实掩码与预测掩码。