[论文解读] CIA-Net: Robust Nuclei Instance Segmentation with Contour-aware Information Aggregation

Yanning Zhou, Omer Fahri Onder+4 more|arXiv (Cornell University)|Mar 13, 2019

AI in cancer detection参考文献 24被引用 15

一句话总结

CIA-Net 提出了一种轮廓感知的信息聚合网络，并引入一种新颖的平滑截断损失，以提升在细胞核实例分割任务中的鲁棒性。通过在细胞核解码器与轮廓解码器之间双向融合特征，并对噪声大、置信度低的预测进行降权处理，该方法在 2018 年 MICCAI 多器官细胞核分割挑战赛中以显著优势胜出 35 支参赛队伍，达到最先进性能。

ABSTRACT

Accurate segmenting nuclei instances is a crucial step in computer-aided image analysis to extract rich features for cellular estimation and following diagnosis as well as treatment. While it still remains challenging because the wide existence of nuclei clusters, along with the large morphological variances among different organs make nuclei instance segmentation susceptible to over-/under-segmentation. Additionally, the inevitably subjective annotating and mislabeling prevent the network learning from reliable samples and eventually reduce the generalization capability for robustly segmenting unseen organ nuclei. To address these issues, we propose a novel deep neural network, namely Contour-aware Informative Aggregation Network (CIA-Net) with multi-level information aggregation module between two task-specific decoders. Rather than independent decoders, it leverages the merit of spatial and texture dependencies between nuclei and contour by bi-directionally aggregating task-specific features. Furthermore, we proposed a novel smooth truncated loss that modulates losses to reduce the perturbation from outliers. Consequently, the network can focus on learning from reliable and informative samples, which inherently improves the generalization capability. Experiments on the 2018 MICCAI challenge of Multi-Organ-Nuclei-Segmentation validated the effectiveness of our proposed method, surpassing all the other 35 competitive teams by a significant margin.

研究动机与目标

• 解决由于形态可变性和模糊边界导致的密集簇状细胞核过分割与欠分割问题。
• 缓解病理图像中主观性及错误标注对模型泛化能力的负面影响。
• 通过双向特征聚合，利用细胞核与轮廓预测之间的空间和纹理依赖关系，提升特征学习能力。
• 设计一种鲁棒的损失函数，降低异常值与噪声样本在训练过程中的影响。
• 在具有未见细胞核形态与染色差异的多种器官类型上实现优异的泛化性能。

提出的方法

• 引入多级信息聚合模块（IAM），实现细胞核与轮廓解码器之间的双向特征优化，增强空间与纹理的一致性。
• 采用全连接编码器与金字塔特征提取结构，保留多尺度上下文信息，并改善深层网络中的梯度流动。
• 提出平滑截断损失（STL），利用二次函数对置信度低（pt 值小）的预测进行软降权，减少异常值影响，避免突兀截断。
• STL 根据预测置信度动态调节损失贡献，截断参数 γ 控制降权阈值。
• 采用双分支解码器架构：一个用于细胞核实例分割，一个用于轮廓预测，共享编码器并实现跨分支特征融合。
• 在训练过程中应用平滑截断损失，抑制低置信度、可能被错误标注样本的梯度，提升模型鲁棒性与泛化能力。

实验结果

研究问题

• RQ1 在复杂簇状细胞核场景下，细胞核头与轮廓头之间的双向特征聚合是否能提升实例分割的准确性？
• RQ2 与标准二元交叉熵损失（BCE）和自举损失（BST）相比，平滑截断损失函数在处理细胞核分割中噪声或错误标注标注时表现如何？
• RQ3 所提方法在具有不同染色、形态与密度的多种器官类型上的泛化能力如何？
• RQ4 对损失梯度进行平滑截断是否能减少对噪声样本的过拟合，同时保留对有信息量的边界区域的学习？
• RQ5 所提方法是否能在具有高度变异性的现实世界多器官病理图像数据集上实现最先进性能？

主要发现

• CIA-Net 在未见的 Test2 数据集（包含七种不同器官）上取得了 0.6306 的最高 AJI 分数，超越了 2018 年 MICCAI MoNuSeg 挑战赛中所有 35 支参赛队伍。
• 与二元交叉熵损失相比，平滑截断损失（STL）在 Test2 上使 AJI 提升近 2.5%，表明其在未见器官类型上具有强大的泛化能力。
• 所提方法在如染色质弥散型细胞核与不规则形状簇状结构等困难情形下，有效减少了过分割与欠分割现象，定性对比结果清晰显示了这一点。
• 热力图可视化表明，STL 训练的模型生成了更清晰、更明确的细胞核预测结果，不确定区域更少，尤其在最优 γ 值下表现更佳。
• 与非平滑版本相比，STL 对 γ 超参数的敏感度更低，表明其在实际应用中具有更高的鲁棒性与稳定性。
• 在所有指标上，该方法均优于基线损失函数（BCE、BST、T），STL 在 Test2 上取得最佳 F1 分数（0.8458），证实其在噪声环境下的有效性。