[论文解读] Enhancing Pseudo Label Quality for Semi-Supervised Domain-Generalized Medical Image Segmentation

Huifeng Yao, Xiaowei Hu+1 more|arXiv (Cornell University)|Jan 21, 2022

AI in cancer detection被引用 11

一句话总结

该论文提出了一种基于傅里叶变换数据增强的置信度感知交叉伪监督方法，以提升半监督域泛化医学图像分割中伪标签的质量。通过利用跨域统计模式并正则化伪标签的方差，该方法在仅使用2%标注数据的情况下，在M&Ms数据集上实现了SOTA性能，Dice分数超越先前方法11.67%，且无需使用域标签。

ABSTRACT

Generalizing the medical image segmentation algorithms to unseen domains is an important research topic for computer-aided diagnosis and surgery. Most existing methods require a fully labeled dataset in each source domain. Although some researchers developed a semi-supervised domain generalized method, it still requires the domain labels. This paper presents a novel confidence-aware cross pseudo supervision algorithm for semi-supervised domain generalized medical image segmentation. The main goal is to enhance the pseudo label quality for unlabeled images from unknown distributions. To achieve it, we perform the Fourier transformation to learn low-level statistic information across domains and augment the images to incorporate cross-domain information. With these augmentations as perturbations, we feed the input to a confidence-aware cross pseudo supervision network to measure the variance of pseudo labels and regularize the network to learn with more confident pseudo labels. Our method sets new records on public datasets, i.e., M&Ms and SCGM. Notably, without using domain labels, our method surpasses the prior art that even uses domain labels by 11.67% on Dice on M&Ms dataset with 2% labeled data. Code is available at https://github.com/XMed-Lab/EPL_SemiDG.

研究动机与目标

• 解决在未见域上测试时因缺乏域标签而导致的医学图像分割中的域偏移问题。
• 在半监督设置下，提升来自未知分布的未标注图像的伪标签质量。
• 开发一种在无需每个域均提供完全标注数据的情况下，能有效跨多样化医学影像域泛化的模型。
• 在不依赖域标签的前提下，实现或超越现有域泛化与半监督方法的性能。

提出的方法

• 引入基于傅里叶变换的数据增强，以提取跨域的低级统计信息，并将跨域特征注入未标注图像以进行增强。
• 将增强后的图像作为扰动，用于测量原始输入与变换后输入之间预测结果的方差。
• 实施一种置信度感知正则化损失，惩罚伪标签中过高的方差，从而偏好更一致且可靠的预测结果。
• 采用双网络架构，共享权重但初始化不同，以生成并优化交叉伪监督信号。
• 结合交叉伪监督与基于方差的置信度正则化，提升来自未知域的未标注数据的伪标签可靠性。
• 通过联合使用标注数据与置信度正则化的伪标注未标注数据，端到端训练模型。

实验结果

研究问题

• RQ1 在半监督设置下，能否有效提升来自未知域的未标注医学图像的伪标签质量？
• RQ2 如何利用跨域统计模式在无域标签的情况下增强伪标签的一致性？
• RQ3 置信度感知的方差正则化是否能提升在域泛化医学图像分割中的模型泛化能力？
• RQ4 当缺乏域标签时，半监督方法是否能超越完全监督或域自适应方法？

主要发现

• 在仅使用2%标注数据的M&Ms数据集上，该方法实现了82.61%的新SOTA Dice分数，超越先前方法11.67%。
• 在M&Ms数据集上，与之前最佳方法相比，该方法在2%标注数据设置下Dice分数提升了约12%。
• 在SCGM数据集上，当使用20%标注数据时，该方法相比之前最佳方法实现了7%的Dice分数提升。
• 消融实验表明，傅里叶增强、置信度感知正则化与交叉伪监督各组件均对性能提升有显著贡献。
• 可视化对比显示，该方法生成的伪标签与最终分割结果比之前SOTA方法（Meta, Liu et al. 2021b）更接近真实标签。
• 即使目标域（如M&Ms中的域A）在视觉上与源域显著不同，该方法仍表现出有效的泛化能力，展现出对域偏移的强大鲁棒性。