[论文解读] Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images

Yanwen Li, Luyang Luo+3 more|arXiv (Cornell University)|Apr 7, 2021

COVID-19 diagnosis using AI参考文献 37被引用 4

一句话总结

本文提出UDC-Net，一种用于胸部CT扫描中COVID-19病灶分割的不确定性量化双一致性弱监督学习框架。该方法通过强制实施图像级变换等价性和特征级扰动不变性，提升未标注数据的利用效率，同时结合置信度不确定性和一致性不确定性以指导鲁棒的一致性正则化，实现77.4%的Dice分数——较完全监督的V-Net高出6.3%，并在弱监督方法中达到最先进性能。

ABSTRACT

The novel coronavirus disease 2019 (COVID-19) characterized by atypical pneumonia has caused millions of deaths worldwide. Automatically segmenting lesions from chest Computed Tomography (CT) is a promising way to assist doctors in COVID-19 screening, treatment planning, and follow-up monitoring. However, voxel-wise annotations are extremely expert-demanding and scarce, especially when it comes to novel diseases, while an abundance of unlabeled data could be available. To tackle the challenge of limited annotations, in this paper, we propose an uncertainty-guided dual-consistency learning network (UDC-Net) for semi-supervised COVID-19 lesion segmentation from CT images. Specifically, we present a dual-consistency learning scheme that simultaneously imposes image transformation equivalence and feature perturbation invariance to effectively harness the knowledge from unlabeled data. We then quantify the segmentation uncertainty in two forms and employ them together to guide the consistency regularization for more reliable unsupervised learning. Extensive experiments showed that our proposed UDC-Net improves the fully supervised method by 6.3% in Dice and outperforms other competitive semi-supervised approaches by significant margins, demonstrating high potential in real-world clinical practice.

研究动机与目标

• 解决胸部CT扫描中COVID-19病灶分割因专家标注的体素级标签稀缺带来的挑战。
• 通过利用大量未标注的CT数据，提升弱监督学习效率。
• 通过量化并整合双重不确定性（置信度与一致性）到一致性正则化中，增强模型鲁棒性。
• 开发一种在具有不规则和模糊病灶轮廓的真实临床环境中具有良好泛化能力的方法。
• 在大规模COVID-19 CT数据集上，超越现有弱监督分割方法。

提出的方法

• 提出一种双一致性学习方案，通过同一扫描的多增强视图，强制实施图像级变换等价性——确保在输入变换下预测保持一致。
• 通过将编码器生成的扰动特征输入辅助解码器，实现特征级扰动不变性，要求辅助解码器的预测与主解码器保持一致。
• 引入多解码器V-Net架构，利用多个解码器的预测结果计算两种不确定性的度量：置信度不确定性（预测均值）和一致性不确定性（预测标准差）。
• 使用学习得到的不确定性指示函数，在一致性正则化过程中过滤低置信度和高变异性（不一致）的预测，提升训练稳定性。
• 在标注数据上应用监督损失，在未标注数据上应用一致性损失，并通过不确定性加权抑制噪声或不确定样本。
• 采用3D多解码器U-Net主干网络，在输入空间和特征空间均引入一致性正则化，以学习鲁棒且不变的表征。

实验结果

研究问题

• RQ1 双一致性学习——同时强制输入空间与特征空间不变性——是否能提升低资源环境下的弱监督病灶分割性能？
• RQ2 基于多解码器输出的不确定性量化是否能增强弱监督分割中一致性正则化的可靠性？
• RQ3 将置信度不确定性与一致性不确定性相结合，是否能提升对模糊病灶边界区域的泛化能力并减少过拟合？
• RQ4 在有限标注数据条件下，该方法与最先进弱监督分割模型相比，在分割准确性和鲁棒性方面表现如何？
• RQ5 在真实临床应用中，该模型在保持高性能的同时，能在多大程度上减少对标注数据的依赖？

主要发现

• UDC-Net实现77.4% ± 0.14的Dice分数，较完全监督的V-Net基线（71.1%）提升6.3%。
• 该方法在Dice分数上至少优于其他最先进弱监督模型（包括Mean Teacher、UA-MT、TCSM和CCT）1.8%，在Jaccard分数上至少优于2.2%。
• 仅使用32张标注扫描和140张未标注扫描时，UDC-Net实现75.0%的Dice分数和61.5%的Jaccard分数，性能与CCT相当，但后者使用了双倍的标注数据。
• 当使用65张标注扫描和708张未标注扫描时，UDC-Net实现77.4%的Dice分数和64.5%的Jaccard分数，优于使用五倍未标注数据的CCT模型。
• 该模型实现平均表面距离（ASD）为3.9 mm，显著低于所有对比方法，表明其轮廓精度更优。
• 消融实验表明，双重不确定性（置信度+一致性）比单一不确定性更有效，因其提供互补性指导并增强模型鲁棒性。