[论文解读] Data augmentation using learned transformations for one-shot medical image segmentation

Amy Zhao, Guha Balakrishnan+3 more|arXiv (Cornell University)|Feb 25, 2019

Medical Image Segmentation Techniques参考文献 79被引用 57

一句话总结

本论文提出一种半监督数据增强方法，利用未标注的 MRI 扫描学习空间变换和外观变换，从单一解剖模板合成带标签的样本，从而实现一次性脑 MRI 分割的改进。它优于手动调优的增强和单解剖模板基线，接近完全有监督的性能。

ABSTRACT

Image segmentation is an important task in many medical applications. Methods based on convolutional neural networks attain state-of-the-art accuracy; however, they typically rely on supervised training with large labeled datasets. Labeling medical images requires significant expertise and time, and typical hand-tuned approaches for data augmentation fail to capture the complex variations in such images. We present an automated data augmentation method for synthesizing labeled medical images. We demonstrate our method on the task of segmenting magnetic resonance imaging (MRI) brain scans. Our method requires only a single segmented scan, and leverages other unlabeled scans in a semi-supervised approach. We learn a model of transformations from the images, and use the model along with the labeled example to synthesize additional labeled examples. Each transformation is comprised of a spatial deformation field and an intensity change, enabling the synthesis of complex effects such as variations in anatomy and image acquisition procedures. We show that training a supervised segmenter with these new examples provides significant improvements over state-of-the-art methods for one-shot biomedical image segmentation. Our code is available at https://github.com/xamyzhao/brainstorm.

研究动机与目标

• 解决医学图像分割中标注数据有限的挑战。
• 开发一个自动化的增强框架，利用未标注的扫描。
• 通过建模空间变换和外观变换来合成多样化的带标签的训练样本。
• 在脑MRI数据上证明相对于最先进的一次性分割方法的改进。

提出的方法

• 使用基于 VoxelMorph 的配准网络，通过学习的位移场来建模空间变换。
• 将外观/强度变换建模为逐体素的添加，并通过语义感知的平滑正则化来学习。
• 通过对单一有标签的模板应用独立的空间和外观变换来合成带标签的样本，确保标签随扭曲后的图像而变。
• 在扩增后的带标签数据集上训练一个有监督的分割网络。
• 在保留的测试集上对 30 个脑结构使用 Dice 分数进行评估。
• 实现使用可微的三维空间变换层，并通过结合图像相似性和光滑项的专用损失来训练变换。

实验结果

研究问题

• RQ1 从未标注的 MRI 学到的空间和外观变换，是否在应用于单一解剖模板时能产生真实的带标签增强？
• RQ2 这些学习得到的增强是否在脑MRI的一次性分割方面优于手动调优的增强和单解剖模板方法？
• RQ3 使用合成样本，一次性分割能接近完全监督的性能到何种程度？
• RQ4 空间和外观变换的独立性是否有利于生成多样化的训练数据？

主要发现

• Ours-indep 平均 Dice 得分为 0.804 (0.130)，优于 SAS 基线和 rand-aug。
• Ours-indep + rand-aug 平均 Dice 为 0.815 (0.123)，是所有一次性方法中表现最佳。
• Ours-coupled 达到 0.795 (0.133)，优于 SAS 和 SAS-aug 基线。
• SAS 基线 Dice 得分为 0.759 (0.137)，SAS-aug 为 0.775 (0.147)。
• 完全监督的上限为 0.849 (0.092)。
• 该方法在 100 名测试对象上相对于基线有显著提升（与 rand-aug p<1e-15；与 SAS p<1e-20）。