[论文解读] Few Labeled Atlases are Necessary for Deep-Learning-Based Segmentation

Hyeon Woo Lee, Mert R. Sabuncu+1 more|arXiv (Cornell University)|Aug 13, 2019

Medical Image Segmentation Techniques参考文献 38被引用 8

一句话总结

该论文表明，基于深度学习的脑部MRI分割在仅使用三个标注图谱的情况下即可实现高精度，挑战了大规模标注数据集是必需的假设。该研究提出了一种基于半监督学习的配准方法，嵌入多图谱框架中，通过利用未标注数据提升分割性能，其Dice分数与完全监督模型相差不超过四个点，且显著降低了表面距离误差。

ABSTRACT

We tackle biomedical image segmentation in the scenario of only a few labeled brain MR images. This is an important and challenging task in medical applications, where manual annotations are time-consuming. Current multi-atlas based segmentation methods use image registration to warp segments from labeled images onto a new scan. In a different paradigm, supervised learning-based segmentation strategies have gained popularity. These method consistently use relatively large sets of labeled training data, and their behavior in the regime of a few labeled biomedical images has not been thoroughly evaluated. In this work, we provide two important results for segmentation in the scenario where few labeled images are available. First, we propose a straightforward implementation of efficient semi-supervised learning-based registration method, which we showcase in a multi-atlas segmentation framework. Second, through an extensive empirical study, we evaluate the performance of a supervised segmentation approach, where the training images are augmented via random deformations. Surprisingly, we find that in both paradigms, accurate segmentation is generally possible even in the context of few labeled images.

研究动机与目标

• 评估仅在少量标注脑部MR图像可用时，基于深度学习的分割性能。
• 探究半监督学习是否能在低数据环境下提升多图谱分割性能。
• 比较基于数据增强的监督学习与基于学习型配准的多图谱分割方法的有效性。
• 开发并验证一种新型半监督配准方法，以在标注图谱极少的情况下提升分割精度。

提出的方法

• 提出一种基于半监督学习的配准方法，利用深度神经网络计算未标注图像与标注图像之间的形变场，并通过无监督损失函数进行优化。
• 采用结合归一化互相关（NCC）以衡量图像相似性以及平滑性正则化项的损失函数，以确保解剖学上合理的形变。
• 将学习到的配准方法整合到多图谱分割流程中，通过融合多个图谱经形变后的标签生成最终分割结果。
• 在基于监督学习的分割方法（SegNet）中应用随机3D形变作为数据增强手段，以提升在训练数据有限情况下的鲁棒性。
• 采用Dice分数与表面距离（SD）指标组合，评估29个解剖结构的分割精度。
• 在Buckner40数据集上训练和测试模型，比较1至10个标注图谱下的性能表现。

实验结果

研究问题

• RQ1 仅使用三个或更少的标注脑部MR图像，基于深度学习的分割能否实现高精度？
• RQ2 在低数据环境下，基于半监督学习的配准方法如何提升多图谱分割性能？
• RQ3 在训练数据稀缺时，监督学习中的数据增强是否能显著提升分割性能？
• RQ4 在小体积和大体积解剖结构上，不同分割策略在Dice分数与表面距离上的表现如何比较？
• RQ5 当标注数据极度有限时，该半监督配准方法能否优于标准多图谱方法与监督学习方法？

主要发现

• 仅使用三个标注图谱，所提出的MAS-SS方法的Dice分数与完全监督的SegNet基线模型相差不超过四个点。
• MAS-SS在所有解剖结构上的平均表面距离低于0.4毫米，最大表面距离低于7毫米。
• 当图谱数量少于三个时，MAS-SS在Dice分数上始终优于标准多图谱方法与数据增强的SegNet。
• MAS-SS在小体积结构（如杏仁核与海马体）上表现更优，保持了高Dice分数，而其他方法则在此类结构上失败。
• 数据增强显著提升了SegNet的性能，但即使在更多图谱下，其表面距离仍高于MAS-SS，表明存在拓扑不准确性。
• 本研究证明，深度学习分割无需大规模标注数据集，因为仅需极少监督即可实现高精度。