[论文解读] Boundary and Entropy-driven Adversarial Learning for Fundus Image Segmentation

Shujun Wang, Lequan Yu+4 more|arXiv (Cornell University)|Jun 26, 2019

Retinal Imaging and Analysis参考文献 16被引用 17

一句话总结

该论文提出了一种名为边界与熵驱动对抗学习（BEAL）的新颖无监督域自适应框架，用于视网膜图像中的视盘和视杯分割。通过联合施加域不变边界和低熵（确定性）预测，BEAL在对抗学习中提升了分割精度，尤其在边界模糊区域表现更优，在RIM-ONE-r3和Drishti-GS数据集上实现了最先进性能。

ABSTRACT

Accurate segmentation of the optic disc (OD) and cup (OC)in fundus images from different datasets is critical for glaucoma disease screening. The cross-domain discrepancy (domain shift) hinders the generalization of deep neural networks to work on different domain datasets.In this work, we present an unsupervised domain adaptation framework,called Boundary and Entropy-driven Adversarial Learning (BEAL), to improve the OD and OC segmentation performance, especially on the ambiguous boundary regions. In particular, our proposed BEAL frame-work utilizes the adversarial learning to encourage the boundary prediction and mask probability entropy map (uncertainty map) of the target domain to be similar to the source ones, generating more accurate boundaries and suppressing the high uncertainty predictions of OD and OC segmentation. We evaluate the proposed BEAL framework on two public retinal fundus image datasets (Drishti-GS and RIM-ONE-r3), and the experiment results demonstrate that our method outperforms the state-of-the-art unsupervised domain adaptation methods. Codes will be available at https://github.com/EmmaW8/BEAL.

研究动机与目标

• 解决视网膜图像分割中的域偏移问题，即在某一数据集上训练的模型因外观和对比度差异而难以泛化到其他数据集。
• 提升在目标域视网膜图像中常见边界模糊区域的分割性能，现有方法在此类区域常产生不确定或不准确的预测。
• 开发一种域自适应框架，以增强源域与目标域之间边界结构的一致性以及预测的确定性（低熵）。
• 克服先前无监督域自适应方法的局限性，这些方法未能有效抑制高不确定性预测，或在软组织区域无法生成可靠边界。
• 实现无需目标域标注的鲁棒、可泛化视盘（OD）和视杯（OC）分割，支持实际青光眼筛查应用。

提出的方法

• 采用DeepLabv3+主干网络，结合空洞空间金字塔池化（ASPP）和双分支结构，分别用于分割掩码和边界预测。
• 利用香农熵计算预测熵图，以量化分割输出中的不确定性，高熵值表示模糊或不可靠的预测。
• 引入两个判别器：一个用于在边界图上进行对抗训练，以强制源域与目标域之间的结构相似性；另一个用于熵图，以促进目标域上低熵（确定性）预测。
• 应用对抗学习对齐源域与目标域之间的边界结构和熵分布，最小化域偏移的影响。
• 端到端训练模型，结合边界和熵图上的对抗损失以及标准分割损失（如Dice损失），以同时优化精度和不确定性抑制。
• 使用数据增强技术（旋转、翻转、弹性形变、噪声添加、随机擦除）提升训练过程中的鲁棒性。

实验结果

研究问题

• RQ1 在目标域视网膜图像中，对边界结构进行对抗学习是否能提升模糊边界区域的分割精度？
• RQ2 在目标域上强制实现低熵（确定性）预测是否能减少不确定性并提高分割可靠性？
• RQ3 联合优化边界一致性与熵抑制是否优于单独优化其中任一目标？
• RQ4 该方法在处理RIM-ONE-r3与Drishti-GS等多样化视网膜图像数据集之间较大域偏移时效果如何？
• RQ5 边界与熵组件各自对整体性能提升的贡献程度如何？

主要发现

• 与当前最先进方法pOSAL相比，BEAL在RIM-ONE-r3数据集上分别将视杯和视盘分割的Dice系数（DI）提升了2.3%和3.3%。
• 在Drishti-GS数据集上，BEAL实现了视杯DI为0.862、视盘DI为0.961，视杯分割优于pOSAL，视盘分割性能与之持平。
• 消融实验证实，边界驱动对抗学习（BAL）与熵驱动对抗学习（EAL）均带来正向贡献，完整BEAL模型性能进一步提升。
• 仅引入边界分支即可在RIM-ONE-r3数据集上使视杯DI提升0.035、视盘DI提升0.106，证明显式边界监督的价值。
• 定性结果表明，BEAL生成的边界更清晰，熵图更干净且噪声更少，尤其在模糊区域表现更优。
• 该方法能有效抑制目标域图像中的高熵（不确定）预测，表现为熵图相比基线方法和pOSAL更清晰。