[论文解读] Adversarial training and dilated convolutions for brain MRI segmentation

Pim Moeskops, Mitko Veta+3 more|arXiv (Cornell University)|Jul 11, 2017

Adversarial Robustness in Machine Learning参考文献 16被引用 23

一句话总结

本文提出一种结合判别器网络的对抗性训练方法，以提升脑部MRI分割的逼真度与结构一致性。通过将对抗性损失与标准交叉熵损失结合，该方法减少了分割噪声，并提升了Dice分数，尤其在更深的全卷积网络中效果显著，在成人受试者中达到最高0.92的Dice系数，在老年受试者中达到0.85。

ABSTRACT

Convolutional neural networks (CNNs) have been applied to various automatic image segmentation tasks in medical image analysis, including brain MRI segmentation. Generative adversarial networks have recently gained popularity because of their power in generating images that are difficult to distinguish from real images. In this study we use an adversarial training approach to improve CNN-based brain MRI segmentation. To this end, we include an additional loss function that motivates the network to generate segmentations that are difficult to distinguish from manual segmentations. During training, this loss function is optimised together with the conventional average per-voxel cross entropy loss. The results show improved segmentation performance using this adversarial training procedure for segmentation of two different sets of images and using two different network architectures, both visually and in terms of Dice coefficients.

研究动机与目标

• 提升基于深度学习的脑部MRI分割结果的逼真度与结构一致性。
• 解决标准体素损失函数无法捕捉全局结构不一致性的局限性。
• 评估对抗性训练是否能在多种网络架构与数据集上提升分割性能。
• 探究对抗性损失对减少碎片化、噪声化分割的影响。
• 证明该方法在成人与老年脑部MRI数据集上的泛化能力。

提出的方法

• 使用联合损失（标准交叉熵损失与对抗性损失）训练全卷积网络与空洞卷积网络。
• 训练一个判别器网络，以区分人工分割结果与分割网络生成的分割结果。
• 将分割结果与图像块（25×25）拼接后输入判别器，以评估图像-分割联合输出的逼真度。
• 对抗性训练采用交替优化策略：分割网络学习率为10⁻³，判别器为10⁻⁵。
• 训练使用RMSprop优化器，并通过随机裁剪51×51（全连接）或87×87（空洞卷积）块进行数据增强。
• 该方法应用于两个数据集：MICCAI 2012（成人，6类）与MRBrainS13（老年，7类），并采用类别平衡采样。

实验结果

研究问题

• RQ1 对抗性训练能否提升脑部MRI分割输出的逼真度与结构一致性？
• RQ2 引入判别器损失是否能带来相较于标准交叉熵训练的可测量Dice系数提升？
• RQ3 对抗性训练如何影响分割噪声与组件数量（如不连通区域的数量）？
• RQ4 对抗性训练在全卷积网络与空洞卷积网络架构之间的性能增益是否存在差异？
• RQ5 该方法在不同年龄组与MRI扫描协议下是否均有效？

主要发现

• 对抗性训练显著减少了分割噪声，使用全卷积网络时，成人受试者3D组件的平均数量从1,745±400降至626±247。
• 对于老年受试者，使用全卷积网络时，组件数量从926±134降至692±88，表明结构一致性得到改善。
• 成人受试者的平均Dice系数在全卷积网络中从0.67±0.04提升至0.91±0.03，在空洞卷积网络中进一步提升至0.92±0.03。
• 老年受试者的Dice分数在全卷积网络中从0.80±0.02提升至0.83±0.02，在空洞卷积网络中提升至0.85±0.01，所有提升均具有统计显著性（p<0.05）。
• 性能提升在更深的全卷积网络中最为显著，表明该方法对更复杂架构的收益更大。
• 唯一未达显著性的改善出现在老年受试者中使用空洞卷积网络时的脑脊液（lvCSF）类别，但其余所有组织类别的整体增益依然强劲。