[论文解读] Adversarial Networks for the Detection of Aggressive Prostate Cancer

Simon Köhl, David Bonekamp+6 more|arXiv (Cornell University)|Feb 26, 2017

Prostate Cancer Diagnosis and Treatment参考文献 16被引用 116

一句话总结

该论文在使用对抗训练的分割网络来识别前列腺癌的侵袭性病变，取得比标准交叉熵更高的肿瘤 Dice 和灵敏度，尤其在小数据集上。

ABSTRACT

Semantic segmentation constitutes an integral part of medical image analyses for which breakthroughs in the field of deep learning were of high relevance. The large number of trainable parameters of deep neural networks however renders them inherently data hungry, a characteristic that heavily challenges the medical imaging community. Though interestingly, with the de facto standard training of fully convolutional networks (FCNs) for semantic segmentation being agnostic towards the `structure' of the predicted label maps, valuable complementary information about the global quality of the segmentation lies idle. In order to tap into this potential, we propose utilizing an adversarial network which discriminates between expert and generated annotations in order to train FCNs for semantic segmentation. Because the adversary constitutes a learned parametrization of what makes a good segmentation at a global level, we hypothesize that the method holds particular advantages for segmentation tasks on complex structured, small datasets. This holds true in our experiments: We learn to segment aggressive prostate cancer utilizing MRI images of 152 patients and show that the proposed scheme is superior over the de facto standard in terms of the detection sensitivity and the dice-score for aggressive prostate cancer. The achieved relative gains are shown to be particularly pronounced in the small dataset limit.

研究动机与目标

• 推动在小型医学影像数据集上的高效语义分割。
• 通过对抗判别器利用一个学习得到的全局质量度量。
• 开发一个纯粹的对抗训练框架，用于端到端的前列腺肿瘤分割。
• 在多模态前列腺 MRI 上评估该方法以检测侵袭性癌症（GS ≥7）。

提出的方法

• 使用类似 U-Net 的分割器 S，在一个区分专家分割与生成分割的判别器 D 下进行对抗训练。
• 采用纯对抗损失 LS 来训练 S（可选带有一个交叉熵项），无需 CRF 或后处理。
• 将 MRI 通道（T2 加权、ADC、高 b 值 DWI）与标签图作为输入供 D 评估全局分割的合理性。
• 使用 152 例患者 MRI 数据（GS ≥7 与无病灶对比）进行四折交叉验证并进行数据增强（旋转、裁剪、翻转）。
• 将 D 配置为与 S 的编码器对称的网络，使用全局池化输出真实/伪造的概率；交替训练步骤以使 D 保持在接近最优。
• 实现一个 2D 训练方案，批量大小为 5，使用 Adam 优化器；使用 Dice 系数和灵敏度进行评估。

实验结果

研究问题

• RQ1 相对于标准交叉熵，对抗性训练是否能提升侵袭性前列腺癌的分割质量？
• RQ2 性能如何随数据集规模变化，特别是在小数据情形下？
• RQ3 混合损失（将 LS 与加权交叉熵结合）相较于纯对抗训练是否有益？
• RQ4 所提出的方法能否实现无需预选或后处理步骤的自动端到端检测？

主要发现

training scheme	tumor DSC	tumor sensitivity	tumor specificity
cross-entropy	0.35 ± 0.29	0.37 ± 0.33	0.98 ± 0.14
adversarial	0.41 ± 0.28	0.55 ± 0.36	0.98 ± 0.14
hybrid loss	0.39 ± 0.29	0.49 ± 0.35	0.98 ± 0.14

• 对抗训练在肿瘤 Dice（0.41±0.28）和灵敏度（0.55±0.36）方面高于交叉熵（0.35±0.29 与 0.37±0.33）。
• 所有方案的特异性保持在较高水平（约 0.98）。
• 混合 LS+Lmce 损失相较于纯对抗训练并未改善性能。
• 随着训练数据减少，对抗训练的相对增益更为显著，表明在小数据集上具有优势。
• 该方法在多模态 MRI 的侵袭性肿瘤分割方面优于传统方法。