[论文解读] Label-Free Liver Tumor Segmentation

Qixin Hu, Yixiong Chen+5 more|arXiv (Cornell University)|Mar 27, 2023

Radiomics and Machine Learning in Medical ImagingMedicine被引用 3

一句话总结

本文提出了一种无标签的肝脏肿瘤分割方法，通过一种临床指导的、数据高效的合成肿瘤生成方法，实现对肝脏肿瘤的无标注分割。通过将放射科知识嵌入可编程的处理流程中，作者生成了具有可变形状、纹理、大小和强度的逼真肿瘤，其AI模型性能（DSC: 59.81%）与使用昂贵的真实标注数据训练的模型（DSC: 57.63%）相当，实现了无需人工标注即可进行稳健、可扩展的训练。

ABSTRACT

We demonstrate that AI models can accurately segment liver tumors without the need for manual annotation by using synthetic tumors in CT scans. Our synthetic tumors have two intriguing advantages: (I) realistic in shape and texture, which even medical professionals can confuse with real tumors; (II) effective for training AI models, which can perform liver tumor segmentation similarly to the model trained on real tumors -- this result is exciting because no existing work, using synthetic tumors only, has thus far reached a similar or even close performance to real tumors. This result also implies that manual efforts for annotating tumors voxel by voxel (which took years to create) can be significantly reduced in the future. Moreover, our synthetic tumors can automatically generate many examples of small (or even tiny) synthetic tumors and have the potential to improve the success rate of detecting small liver tumors, which is critical for detecting the early stages of cancer. In addition to enriching the training data, our synthesizing strategy also enables us to rigorously assess the AI robustness.

研究动机与目标

• 消除在CT扫描中对肝脏肿瘤进行昂贵且耗时的人工标注的需求。
• 开发一种合成肿瘤生成策略，生成在人眼观察下与真实肿瘤无法区分的逼真肿瘤。
• 仅使用合成肿瘤训练AI模型，使其性能与使用真实标注数据训练的模型相当。
• 实现对AI模型在多种肿瘤特征（如大小、形状和纹理）下鲁棒性的全面评估。
• 通过生成大量微小肿瘤的合成样本，提升对早期小肝脏肿瘤的检测能力。

提出的方法

• 肿瘤生成流程整合了肝脏肿瘤形态学的临床知识，包括通过形变椭球体生成形状、通过放大高斯噪声生成纹理，以及通过避免与血管碰撞来确定位置。
• 该方法可通过可调超参数，实现对五个维度（大小、形状、位置、强度和纹理）的可控肿瘤生成。
• 合成肿瘤直接在真实CT扫描中生成，无需分割或后处理，从而保留了解剖上下文信息。
• 该方法不依赖生成对抗网络（GANs）或扩散模型，而是采用基于放射科专业知识的定制化、可解释的策略。
• 通过经验丰富的放射科医生进行视觉图灵测试以验证逼真度，结果显示合成肿瘤被误认为真实肿瘤的比例超过50%。
• 该方法支持全面的数据增强，尤其适用于罕见病例，如微小肿瘤（半径 < 5mm），这些病例难以通过人工方式收集。

实验结果

研究问题

• RQ1 通过临床知识生成的合成肿瘤是否具备足够的逼真度，以至于经验丰富的放射科医生在视觉上无法与真实肿瘤区分？
• RQ2 仅在合成肿瘤上训练的AI模型，其在肝脏肿瘤分割任务中的性能是否可与在真实人工标注数据上训练的模型相媲美？
• RQ3 合成肿瘤生成是否能提升AI模型对小或微小肝脏肿瘤的检测灵敏度？
• RQ4 合成肿瘤在多大程度上可作为评估AI模型在分布外条件下的鲁棒性的全面基准？
• RQ5 该合成肿瘤生成流程是否可用于系统性识别并缓解现有AI模型的失效模式？

主要发现

• 合成肿瘤通过了视觉图灵测试：放射科医生在区分合成肿瘤与真实肿瘤时的错误率低于50%。
• 仅在合成肿瘤上训练的AI模型在真实肝脏肿瘤分割任务中取得了59.81%的Dice相似系数（DSC），在某些情况下优于仅在真实肿瘤上训练的模型。
• 在合成数据上训练的模型取得了59.81%的DSC，而基于真实标注LiTS数据训练的模型为57.63%，表明在无需任何人工标注的情况下实现了性能相当或更优的结果。
• 在模型中引入合成微小肿瘤（半径 < 5mm）显著提升了对真实微小肿瘤的检测灵敏度，提升至61.8%。
• 消融实验证实，形状生成过程中的边缘模糊化和弹性形变对逼真度和性能至关重要，若省略这些步骤将导致模型性能下降。
• 合成肿瘤生成器构建了一个鲁棒性基准，揭示了当前模型对极端肿瘤大小和强度最为敏感，从而识别出关键的失效模式以供改进。