[论文解读] An Unsupervised Learning Model for Medical Image Segmentation.

Junyu Chen, Eric C. Frey|arXiv (Cornell University)|Jan 28, 2020

Medical Imaging Techniques and Applications被引用 3

一句话总结

本文提出了一种将卷积神经网络（ConvNet）与无边缘活动轮廓（ACWE）模型相结合的无监督和半监督深度学习框架，用于医学图像分割。该方法通过自监督训练实现高质量、快速的SPECT图像骨骼分割，且无需依赖大量标注数据，在数据量较少的情况下仍表现出色。

ABSTRACT

For the majority of the learning-based segmentation methods, a large quantity of high-quality training data is required. In this paper, we present a novel learning-based segmentation model that could be trained semi- or un- supervised. Specifically, in the unsupervised setting, we parameterize the Active contour without edges (ACWE) framework via a convolutional neural network (ConvNet), and optimize the parameters of the ConvNet using a self-supervised method. In another setting (semi-supervised), the auxiliary segmentation ground truth is used during training. We show that the method provides fast and high-quality bone segmentation in the context of single-photon emission computed tomography (SPECT) image.

研究动机与目标

• 解决基于深度学习的分割中高质量标注医学图像数据有限的挑战。
• 开发一种在无监督和半监督设置下均能有效运行的分割模型。
• 实现在单光子发射计算机断层扫描（SPECT）图像中的快速、准确的骨骼分割。
• 将受物理启发的ACWE活动轮廓模型与可学习的ConvNet相结合，以提升泛化能力。
• 通过自监督优化减少对大规模真实标注数据的依赖。

提出的方法

• 使用卷积神经网络（ConvNet）对ACWE框架进行参数化，以学习图像特定的分割参数。
• 在无监督设置下，通过鼓励数据增强前后分割结果的一致性，采用自监督目标训练ConvNet。
• 在半监督设置下，训练过程中使用辅助的真实标注分割掩码以提升收敛速度和精度。
• 通过反向传播学习到的ConvNet参数，优化ACWE的能量泛函。
• 利用ACWE的几何和变分特性，引导网络生成符合物理规律的分割结果。
• 训练过程端到端进行，使网络能够联合学习图像特征和分割参数。

实验结果

研究问题

• RQ1 深度学习模型是否能在不依赖大规模标注训练数据的情况下实现高质量的医学图像分割？
• RQ2 将可学习的ConvNet与ACWE框架结合，在无监督和半监督设置下的表现如何？
• RQ3 自监督训练是否能有效替代SPECT骨骼分割任务中的完全监督？
• RQ4 在半监督设置下，辅助真实标注对分割精度和收敛速度有何影响？
• RQ5 所提出的方法在临床SPECT成像场景中是否保持鲁棒性和高效性？

主要发现

• 所提出的模型在极少或无需标注训练数据的情况下，实现了SPECT图像中高质量的骨骼分割。
• 在无监督设置下，尽管缺乏真实标注，该方法仍表现出与完全监督基线相当的竞争力。
• 半监督变体通过在训练中引入辅助真实标注，进一步提升了分割精度。
• 该模型支持快速推理，适用于实时或临床部署。
• 自监督训练有效引导网络学习有意义的分割特征，而无需显式监督。
• 将ACWE与可学习的ConvNet结合，显著增强了在低数据场景下的泛化能力和鲁棒性。