[论文解读] A Labeling-Free Approach to Supervising Deep Neural Networks for Retinal Blood Vessel Segmentation

Yongliang Chen|arXiv (Cornell University)|Apr 25, 2017

Retinal Imaging and Analysis参考文献 25被引用 14

一句话总结

本文提出了一种无需标注的深度神经网络训练方法，用于视网膜血管分割，通过利用领域特定先验知识（特别是代表血管结构的线段）生成合成训练数据，从而消除了对手动标注的依赖。该方法在基准数据集（DRIVE 和 STARE）上取得了具有竞争力的性能，表明通过知识工程生成的数据可以驱动深度网络中的强大特征学习，而无需使用真实标注图像。

ABSTRACT

Segmenting blood vessels in fundus imaging plays an important role in medical diagnosis. Many algorithms have been proposed. While deep Neural Networks have been attracting enormous attention from computer vision community recent years and several novel works have been done in terms of its application in retinal blood vessel segmentation, most of them are based on supervised learning which requires amount of labeled data, which is both scarce and expensive to obtain. We leverage the power of Deep Convolutional Neural Networks (DCNN) in feature learning, in this work, to achieve this ultimate goal. The highly efficient feature learning of DCNN inspires our novel approach that trains the networks with automatically-generated samples to achieve desirable performance on real-world fundus images. For this, we design a set of rules abstracted from the domain-specific prior knowledge to generate these samples. We argue that, with the high efficiency of DCNN in feature learning, one can achieve this goal by constructing the training dataset with prior knowledge, no manual labeling is needed. This approach allows us to take advantages of supervised learning without labeling. We also build a naive DCNN model to test it. The results on standard benchmarks of fundus imaging show it is competitive to the state-of-the-art methods which implies a potential way to leverage the power of DCNN in feature learning.

研究动机与目标

• 为解决视网膜血管分割中稀缺且昂贵的手动标注这一关键挑战。
• 探索是否可以通过利用先验知识，使深度神经网络在无需真实标注数据的情况下得到有效训练。
• 开发一种使用合成、基于规则的样本监督深度学习模型的方法。
• 评估该无标注方法在标准视网膜成像基准上的可行性和性能。
• 证明通过知识驱动的数据生成，可以在深度残差卷积神经网络（DCNN）中实现强大的特征学习。

提出的方法

• 该方法基于视网膜血管的解剖学知识，使用手工设计的规则生成人工训练样本，例如具有特定宽度和方向的线性结构。
• 通过控制参数（如长度、粗细、角度）放置线段，创建具有可控特性的合成图像，以模拟真实的血管模式。
• 使用对应的二值标签（指示血管存在与否）在这些合成图像上训练一个朴素的深度卷积神经网络（DCNN）。
• 使用标准反向传播和随机梯度下降进行网络训练，采用默认超参数并进行最少调优。
• 通过图像反转预处理，使输入图像的对比度极性与合成训练数据相匹配。
• 使用标准指标（AUC、准确率、敏感性、特异性）在 DRIVE 和 STARE 数据集的真实眼底图像上评估性能。

实验结果

研究问题

• RQ1 深度神经网络是否可以在不依赖人工标注训练数据的情况下，在视网膜血管分割任务中实现具有竞争力的性能？
• RQ2 领域特定的先验知识在多大程度上可用于生成有效的合成训练数据，以支持医学图像分割？
• RQ3 在合成数据上训练的朴素 DCNN 架构是否能在真实眼底图像上表现优于或至少匹配最先进的监督方法？
• RQ4 合成数据集的结构（例如线段粗细、连续性）如何影响训练模型的泛化能力？
• RQ5 当受到强领域先验指导时，DCNN 的内在特征学习能力是否可以弥补缺乏真实世界标注的不足？

主要发现

• 所提出的无标注方法在 DRIVE 数据集上实现了 AUC 0.9516 和准确率 0.9453，性能与最先进的监督方法相当。
• 在 STARE 数据集上，该方法实现了 AUC 0.9557 和准确率 0.9449，进一步证实了其鲁棒性和泛化能力。
• 在 DRIVE 数据集上，模型达到敏感性 0.7426 和特异性 0.9735，表明其能有效检测真实血管，同时将假阳性数量最小化。
• 尽管使用了简单且未经优化的 DCNN 架构，且仅训练了 200,000 次迭代，其性能仍可与更复杂、经过大量调优的监督模型相媲美。
• 视觉分析表明，网络对线性结构有强烈响应，与期望的血管形态一致，验证了合成数据设计的有效性。
• 结果表明，先验知识可以有效替代人工标注，用于监督医学图像分割中的深度网络训练。