[论文解读] A Strategy of MR Brain Tissue Images' Suggestive Annotation Based on Modified U-Net

Yang Deng, Yao Sun+4 more|arXiv (Cornell University)|Jul 19, 2018

Medical Image Segmentation Techniques参考文献 13被引用 8

一句话总结

该论文提出了一种改进的U-Net模型，用于自动分割MR脑组织（脑脊液CSF、灰质GM、白质WM），并引入了一种建议性标注策略，基于模型不确定性优先对未标注数据进行标注。该方法在仅使用50%训练数据的情况下，于IBSR18数据集上实现了SOTA的DSC分数（CSF为0.8610，GM为0.9131，WM为0.9003），单次扫描推理时间低于50秒，具备临床部署潜力。

ABSTRACT

Accurate segmentation of MR brain tissue is a crucial step for diagnosis,surgical planning, and treatment of brain abnormalities. However,it is a time-consuming task to be performed by medical experts. So, automatic and reliable segmentation methods are required. How to choose appropriate training dataset from limited labeled dataset rather than the whole also has great significance in saving training time. In addition, medical data labeled is too rare and expensive to obtain extensively, so choosing appropriate unlabeled dataset instead of all the datasets to annotate, which can attain at least same performance, is also very meaningful. To solve the problem above, we design an automatic segmentation method based on U-shaped deep convolutional network and obtain excellent result with average DSC metric of 0.8610, 0.9131, 0.9003 for Cerebrospinal Fluid (CSF), Gray Matter (GM) and White Matter (WM) respectively on the well-known IBSR18 dataset. We use bootstrapping algorithm for selecting the most effective training data and get more state-of-the-art segmentation performance by using only 50% of training data. Moreover, we propose a strategy of MR brain tissue images' suggestive annotation for unlabeled medical data based on the modified U-net. The proposed method performs fast and can be used in clinical.

研究动机与目标

• 开发一种准确且高效的深度学习方法，用于自动分割MR脑组织（CSF、GM、WM），以支持临床诊断与治疗规划。
• 通过利用模型不确定性识别最具信息量的未标注MR图像进行标注，降低标注的时间与成本。
• 通过自举策略选择最小但有效的训练数据子集，提升分割性能。
• 构建一种具备快速推理速度与高分割精度的临床可部署系统。
• 证明选择性标注高不确定性样本可实现与全量数据集训练相当的性能。

提出的方法

• 采用改进的U-Net架构进行3D MRI脑组织分割，保留跳跃连接且无全连接层，以保持空间分辨率。
• 定义自定义损失函数为 $ L(y,y^{ ext{'} ext{'}}) = 4 - \sum_{i=0}^{3} DSC(y_i, y_i^{ ext{'} ext{'}}) $，通过最小化负Dice相似系数（DSC）来优化分割性能。
• 建议性标注策略通过识别模型不确定性高（预测置信度低）的未标注图像，优先安排其标注。
• 自举算法基于模型预测结果选择最具信息量的训练样本，通过迭代方式在较少标注样本下持续提升性能。
• 模型使用softmax输出并结合argmax，根据最高预测概率为体素分配标签，避免阈值优化。
• 在单张NVIDIA TitanX GPU上训练500个周期，若验证性能连续30个周期无提升则提前停止。

实验结果

研究问题

• RQ1 改进的U-Net能否在减少训练数据的情况下实现MR脑组织分割的SOTA性能？
• RQ2 哪些未标注的MR图像最具信息量？模型不确定性能否有效预测其信息量？
• RQ3 基于模型预测的建议性标注策略能否在保持或提升分割精度的同时降低标注成本？
• RQ4 通过自举策略选择的训练数据子集是否优于使用全量数据集的性能？
• RQ5 由于推理速度与精度，该方法是否具备临床部署的可行性？

主要发现

• 改进的U-Net在IBSR18数据集上对CSF的平均DSC达到0.8610，GM为0.9131，WM为0.9003，优于基线方法。
• 仅使用50%的训练数据（通过自举选择），模型仍保持高性能，所选子集的平均DSC达0.8619。
• 建议性标注策略成功识别出最具信息量的未标注样本——受试者6、7、9、15、16、17、18，其初始评估中DSC得分最低。
• 自举训练集（受试者7、6、17、9）的平均DSC（0.8619）高于全量训练集（0.8511），证明其在标注中的价值。
• 单个3D MRI体素（256×128×256）的推理时间为40–50秒，表明该方法适用于临床使用。
• 模型未从批量归一化或CLAHE等数据预处理中获益，损失函数通过直接最小化DSC进行优化。