[论文解读] Adaptive Hierarchical Dual Consistency for Semi-Supervised Left Atrium Segmentation on Cross-Domain Data

Jun Chen, Heye Zhang+5 more|PubMed|Sep 17, 2021

COVID-19 diagnosis using AI参考文献 50被引用 10

一句话总结

本文提出自适应分层双重一致性（AHDC），一种用于跨域医学影像数据左心房分割的半监督学习框架。通过结合双向对抗性推理以对齐域间特征分布，并引入分层双重一致性模块以挖掘域内与域间互补信息，AHDC 在仅使用极少标注数据的情况下实现了最先进水平的分割精度，在四个LGE-CMR数据集和一个CT数据集上均优于现有方法。

ABSTRACT

Semi-supervised learning provides great significance in left atrium (LA) segmentation model learning with insufficient labelled data. Generalising semi-supervised learning to cross-domain data is of high importance to further improve model robustness. However, the widely existing distribution difference and sample mismatch between different data domains hinder the generalisation of semi-supervised learning. In this study, we alleviate these problems by proposing an Adaptive Hierarchical Dual Consistency (AHDC) for the semi-supervised LA segmentation on cross-domain data. The AHDC mainly consists of a Bidirectional Adversarial Inference module (BAI) and a Hierarchical Dual Consistency learning module (HDC). The BAI overcomes the difference of distributions and the sample mismatch between two different domains. It mainly learns two mapping networks adversarially to obtain two matched domains through mutual adaptation. The HDC investigates a hierarchical dual learning paradigm for cross-domain semi-supervised segmentation based on the obtained matched domains. It mainly builds two dual-modelling networks for mining the complementary information in both intra-domain and inter-domain. For the intra-domain learning, a consistency constraint is applied to the dual-modelling targets to exploit the complementary modelling information. For the inter-domain learning, a consistency constraint is applied to the LAs modelled by two dual-modelling networks to exploit the complementary knowledge among different data domains. We demonstrated the performance of our proposed AHDC on four 3D late gadolinium enhancement cardiac MR (LGE-CMR) datasets from different centres and a 3D CT dataset. Compared to other state-of-the-art methods, our proposed AHDC achieved higher segmentation accuracy, which indicated its capability in the cross-domain semi-supervised LA segmentation.

研究动机与目标

• 解决左心房（LA）分割中因标注数据有限而带来的挑战，以支持心房颤动的诊断。
• 在多中心心脏MRI与CT数据之间，缓解半监督学习中的域偏移与样本不匹配问题。
• 通过利用多数据域间的互补信息，提升模型泛化能力，且无需匹配样本。
• 开发一种在极低标注数据条件下仍能保持高性能的框架，尤其适用于资源匮乏的场景。
• 通过对异质数据分布进行对齐并增强域间特征一致性，实现有效的跨域半监督学习。

提出的方法

• 引入双向对抗性推理（BAI）模块，学习两个相互对齐的域自适应网络，以对齐不同数据域之间的特征分布。
• 实现分层双重一致性（HDC）模块，通过双模型网络在域内与域间施加一致性约束。
• 通过强制同一域的未标注数据在双模型预测上达成一致，实现域内一致性。
• 通过将不同域上训练的双网络预测结果对齐，实现域间一致性，以挖掘跨域互补知识。
• 采用正交权重约束，从不同域中提取条件独立的特征，从而在保留域特异性特征的同时增强域间学习能力。
• 通过仅在 $8\times8$ 特征块上应用自注意力机制，并在推理阶段移除注意力分支，仅保留局部建模头，从而降低计算成本。

实验结果

研究问题

• RQ1 在标注数据有限的情况下，半监督学习能否有效泛化于异质医学影像域？
• RQ2 在多中心心脏MRI与CT数据之间，如何缓解域分布偏移与样本不匹配问题？
• RQ3 在低标注数据设置下，域内与域间学习所挖掘的互补信息在多大程度上能提升分割性能？
• RQ4 所提出的分层双重一致性机制是否在跨域左心房分割任务中优于现有半监督与域泛化方法？
• RQ5 模型性能对正交权重约束系数等超参数的选择是否敏感？

主要发现

• 当仅使用来自三个中心的0%标注数据与一个中心的100%未标注数据进行训练时，AHDC 的Dice相似系数（DSC）达到 $0.938 \pm 0.015$，优于相同设置下的原始U-Net模型（$0.923 \pm 0.025$）。
• 该方法将Jaccard指数提升至 $0.883 \pm 0.026$，并将平均表面距离（ASD）降低至 $0.506 \pm 0.164$，表明分割精度与表面匹配度显著提升。
• 正交权重约束在跨域中提升了分割精度，并对超参数变化表现出鲁棒性（$\lambda_{ow} = 0.1$ 与 $1.0$），证实其在提取域特异性特征方面的有效性。
• AHDC 展现出强大的跨域泛化能力，在存在域偏移与标签差异的情况下，性能仍优于仅在单一中心全部标注数据上训练的模型。
• 消融实验表明，BAI 与 HDC 模块均对性能有显著贡献，其中 HDC 模块在利用跨域未标注数据方面尤为有效。
• 通过训练后移除注意力分支，仅保留轻量级局部建模头，该框架在推理阶段保持了高效率。