[论文解读] GASNet: Weakly-supervised Framework for COVID-19 Lesion Segmentation

Zhanwei Xu, Yukun Cao+6 more|arXiv (Cornell University)|Oct 19, 2020

COVID-19 diagnosis using AIMedicine参考文献 58被引用 22

一句话总结

GASNet 是一种用于 COVID-19 肺部病灶分割的弱监督深度学习框架，利用体积级别诊断标签（阳性/阴性）和生成对抗训练，以减少对昂贵体素级别标注的依赖。通过联合训练分割器和生成器，生成能欺骗判别器的逼真‘健康’CT 体积，GASNet 仅使用一个体素级别标注样本，即可实现与完全监督模型相当的性能。

ABSTRACT

Segmentation of infected areas in chest CT volumes is of great significance for further diagnosis and treatment of COVID-19 patients. Due to the complex shapes and varied appearances of lesions, a large number of voxel-level labeled samples are generally required to train a lesion segmentation network, which is a main bottleneck for developing deep learning based medical image segmentation algorithms. In this paper, we propose a weakly-supervised lesion segmentation framework by embedding the Generative Adversarial training process into the Segmentation Network, which is called GASNet. GASNet is optimized to segment the lesion areas of a COVID-19 CT by the segmenter, and to replace the abnormal appearance with a generated normal appearance by the generator, so that the restored CT volumes are indistinguishable from healthy CT volumes by the discriminator. GASNet is supervised by chest CT volumes of many healthy and COVID-19 subjects without voxel-level annotations. Experiments on three public databases show that when using as few as one voxel-level labeled sample, the performance of GASNet is comparable to fully-supervised segmentation algorithms trained on dozens of voxel-level labeled samples.

研究动机与目标

• 为解决 COVID-19 CT 影像中体素级别分割的高标注成本问题，其中专家标注耗时且不一致。
• 减少对大量像素/体素级别标注数据的依赖，以训练深度分割网络。
• 开发一种弱监督框架，利用现成的体积级别诊断标签（如阳性/阴性）代替昂贵的逐个体素标注。
• 通过将生成对抗训练整合到分割网络中，提升分割性能，使合成的‘正常’CT 体积与真实健康扫描难以区分。

提出的方法

• GASNet 在 GAN 框架内集成分割网络（分割器）和生成网络（生成器），两者共享相同的输入 CT 体积。
• 生成器将 COVID-19 CT 中的病灶区域替换为合成的‘正常’组织，生成合成的健康体积。
• 判别器被训练以区分真实健康 CT 体积与合成体积，为生成器提供对抗性反馈以提升真实感。
• 分割器与生成器联合优化，以最小化重建损失、对抗损失以及额外的辅助损失（如 $σ_{IgToD}$、$σ_{IdToD}$、$σ_{MIL}$、$σ_{ps}$），从而提升训练稳定性和性能。
• 该框架仅使用体积级别标签（如‘COVID-19 阳性’或‘阴性’）进行监督，体素级别标注使用极少。
• 辅助损失如 $σ_{ps}$ 为分割器提供直接的体素级别监督，提升定位精度。

实验结果

研究问题

• RQ1 仅使用一个体素级别标注样本，弱监督分割框架能否实现与完全监督模型相当的性能？
• RQ2 生成对抗训练在提升合成健康 CT 体积真实感方面有多有效，以用于病灶修复？
• RQ3 在缺乏丰富像素级别标注的情况下，辅助损失函数在多大程度上提升了训练稳定性和分割精度？
• RQ4 该框架能否在不同数据集上泛化，并在极少人工标注数据下保持高性能？
• RQ5 将体积级别诊断标签与对抗训练相结合，在低监督环境下如何提升分割性能？

主要发现

• 在仅使用一个体素级别标注样本的情况下，GASNet 在公开数据集 Dataset-A 上实现了 60.2% ± 23.4 的 Dice 评分，优于在数十个此类样本上训练的完全监督基线模型。
• 仅使用一个标注样本时，GASNet 的 Dice 评分（60.2%）与在 50 个体素级别标注样本上训练的完全监督 3D U-Net 相当。
• 引入辅助损失，特别是 $σ_{IgToD}$ 和 $σ_{IdToD}$，相比无此类约束的基线，Dice 评分提升了超过 10 个百分点。
• 增加 $σ_{ps}$ 进一部将 Dice 评分从 64.75% 提升至 70.3%，证明了在弱监督学习中直接体素级别监督的价值。
• 经过微调的 GASNet 版本（$\text{GASNet}_{\text{finetune}}$）在 1 个标注样本下实现了 58.9% ± 24.4% 的 Dice 评分，显示出在不同数据集上的鲁棒性与泛化能力。
• GASNet 在 Dataset-A 上保持了高特异性（99.6% ± 0.2）和中等敏感性（55.6% ± 28.3），表明其在区分病灶与健康组织方面表现优异。