[论文解读] Consensus Based Medical Image Segmentation Using Semi-Supervised Learning And Graph Cuts

Dwarikanath Mahapatra|arXiv (Cornell University)|Dec 7, 2016

Medical Image Segmentation Techniques参考文献 95被引用 9

一句话总结

该论文提出了一种基于共识的医学图像分割方法，结合半监督学习（SSL）与图割（GC），用于融合多位专家的标注。该方法引入了一种自一致性（SC）评分以量化标注者的可靠性，并利用SSL预测缺失标签，同时通过GC优化二阶马尔可夫随机场（MRF），实现无需迭代优化的全局最优，从而在准确性和一致性方面优于基于期望最大化（EM）的方法（如STAPLE和LMSTAPLE）。

ABSTRACT

Medical image segmentation requires consensus ground truth segmentations to be derived from multiple expert annotations. A novel approach is proposed that obtains consensus segmentations from experts using graph cuts (GC) and semi supervised learning (SSL). Popular approaches use iterative Expectation Maximization (EM) to estimate the final annotation and quantify annotator's performance. Such techniques pose the risk of getting trapped in local minima. We propose a self consistency (SC) score to quantify annotator consistency using low level image features. SSL is used to predict missing annotations by considering global features and local image consistency. The SC score also serves as the penalty cost in a second order Markov random field (MRF) cost function optimized using graph cuts to derive the final consensus label. Graph cut obtains a global maximum without an iterative procedure. Experimental results on synthetic images, real data of Crohn's disease patients and retinal images show our final segmentation to be accurate and more consistent than competing methods.

研究动机与目标

• 为解决基于迭代期望最大化（EM）方法在标签融合中的局限性，这些方法可能收敛到局部极小值且计算成本较高。
• 通过半监督学习（SSL）预测缺失的专家标注，结合全局特征与局部图像一致性，提升共识分割性能。
• 基于低层次图像特征提出一种新颖的自一致性（SC）评分，量化专家标注的一致性，降低不可靠标注的影响。
• 通过图割（GC）实现无需迭代优化的全局最优分割，确保比基于EM的替代方法收敛更快、更鲁棒。
• 通过在马尔可夫随机场框架内结合SSL与GC，提升医学影像任务中的分割准确性和一致性，尤其在腹部MR中的克罗恩病和视网膜眼底图像中表现更优。

提出的方法

• 为每位专家计算基于局部图像特征的自一致性（SC）评分，通过测量同一标签区域内特征分布的相似性来评估标注可靠性。
• 采用半监督学习（SSL）通过建模基于已标注样本的未标注像素来预测缺失标注，同时利用图像的全局统计特征与特征空间中的局部一致性。
• 最终共识分割通过优化一个二阶马尔可夫随机场（MRF）代价函数获得，其中SC评分作为惩罚项，以降低不一致标注的影响。
• 使用图割（GC）求解MRF优化问题，保证全局最优解且无需迭代优化，从而避免EM方法常见的局部极小值问题。
• 该框架整合了SSL用于标签预测，GC用于分割优化，SC评分动态加权专家贡献，依据其一致性程度。
• 该方法应用于真实腹部MRI（克罗恩病）、视网膜眼底图像（视杯/视盘分割）及合成数据，通过Dice分数与一致性指标评估性能。

实验结果

研究问题

• RQ1 基于低层次图像特征的自一致性（SC）评分能否有效量化医学图像分割中专家标注的可靠性？
• RQ2 半监督学习（SSL）在预测缺失专家标注时是否优于基于EM的方法，同时保持与已有标签的一致性？
• RQ3 图割（GC）是否能实现比STAPLE和LMSTAPLE等迭代式EM方法更快、更准确的共识分割？
• RQ4 通过SC引入专家一致性在多大程度上提升了最终共识分割的鲁棒性与准确性？
• RQ5 在真实与合成医学图像数据上，该方法在准确性和计算效率方面与多数投票、STAPLE、LMSTAPLE及COLLATE相比表现如何？

主要发现

• 所提方法（GC与缺失标注及SC加权，记为GC_ME）在合成图像上取得了最高的Dice分数（0.87）与最低的Dice度量方差（DM），优于所有基线方法。
• GC_ME达到了GC_ME-All（完整专家标注）性能的95%，且显著优于GC_ME-wSSL（无SSL），证明了SSL在预测缺失标签方面的有效性。
• 由于图割的非迭代特性，GC_ME相比LMSTAPLE提速3倍，相比COLLATE提速2倍，同时保持了更优的准确性。
• SC评分有效降低了不一致标注的影响：GC_ME-wSC（无SC）性能显著劣于GC_ME（p < 0.001），证实了SC在过滤不可靠专家中的作用。
• 图割实现了无需迭代优化的全局最优，避免了局部极小值问题——而STAPLE与LMSTAPLE等基于EM的方法则易出现收敛问题。
• 该方法在真实数据上表现出强鲁棒性，在克罗恩病与视网膜眼底图像中生成了比多数投票及其他融合策略更一致、更准确的分割结果。