[论文解读] Medical Image Segmentation via Unsupervised Convolutional Neural Network

Junyu Chen, Eric C. Frey|arXiv (Cornell University)|Jan 28, 2020

Medical Image Segmentation Techniques参考文献 9被引用 14

一句话总结

该论文提出了一种无监督和半监督的卷积神经网络（CNN），用于医学图像分割，利用无边缘主动轮廓（ACWE）能量泛函作为自监督损失。通过仅基于强度统计量进行训练，并结合少量真实标签进行微调，该模型在单光子发射计算机断层扫描（SPECT）成像中实现了高精度的骨骼分割，推理速度快，且在标注数据有限的情况下性能依然优异。

ABSTRACT

For the majority of the learning-based segmentation methods, a large quantity of high-quality training data is required. In this paper, we present a novel learning-based segmentation model that could be trained semi- or un- supervised. Specifically, in the unsupervised setting, we parameterize the Active contour without edges (ACWE) framework via a convolutional neural network (ConvNet), and optimize the parameters of the ConvNet using a self-supervised method. In another setting (semi-supervised), the auxiliary segmentation ground truth is used during training. We show that the method provides fast and high-quality bone segmentation in the context of single-photon emission computed tomography (SPECT) image.

研究动机与目标

• 解决基于深度学习的医学图像分割中高标注成本的挑战。
• 开发一种分割模型，通过利用强度统计量，实现最小化或完全不需要真实标签。
• 结合传统主动轮廓模型的鲁棒性与深度学习的表征能力。
• 实现在单光子发射计算机断层扫描（SPECT）图像中快速、准确的骨骼分割。

提出的方法

• 该方法采用基于循环结构的小型轻量化CNN，包含三个循环卷积层和两个标准卷积层，每层后均接批量归一化和PReLU激活。
• 网络通过将输出 > 0 的像素分类为前景，输出二值掩码，避免使用Softmax以提升二值分割性能。
• 在无监督设置下，损失函数为仅依赖图像强度统计量的ACWE能量函数：$\mathcal{L}_{ACWE} = \nu \cdot \text{Area}(f_\theta(\mathbf{g})>0) + \sum_{f_\theta(\mathbf{g})>0} |\mathbf{g}-c_1|^2 + \sum_{f_\theta(\mathbf{g})\leq 0} |\mathbf{g}-c_2|^2$，其中$\nu=0.004$，$\lambda_1=\lambda_2=1$，$\mu=0$。
• 在半监督模式下，增加一个监督损失$\mathcal{L}_{\text{label}}$，将ACWE损失与基于真实标签掩码的正则化项结合。
• 总损失为$\mathcal{L} = \mathcal{L}_{ACWE} + \alpha \mathcal{L}_{\text{label}}$，其中$\alpha=0.4$，实现联合优化。
• 模型在8,000张模拟3D体积生成的2D SPECT切片上进行训练，使用XCAT体素模型，并在4,000张测试切片上进行评估。

实验结果

研究问题

• RQ1 能否训练一个深度CNN，在不依赖大规模标注数据集的情况下实现医学图像分割？
• RQ2 ACWE能量泛函作为自监督损失在训练分割网络方面有多高效？
• RQ3 使用少量真实标签对无监督预训练模型进行微调，能在多大程度上提升分割性能？
• RQ4 与传统的水平集ACWE方法相比，该方法在SPECT成像中的速度和精度表现如何？

主要发现

• 无监督模型（Mode₁）实现了0.593 ± 0.19的平均Dice相似系数（DSC），证明了无需任何真实标签即可实现分割的可行性。
• 仅使用80个真实标签进行微调（Mode₃）后，DSC提升至0.732 ± 0.12，显示出极强的数据效率。
• 完全监督模式（Mode₄）实现了最高的DSC（0.856 ± 0.09），表明在拥有完整监督信息时性能表现优异。
• 所提方法显著快于水平集ACWE方法，单张切片推理时间仅为0.006 ± 0.022秒，而水平集方法为2.698 ± 0.085秒。
• 该模型仅基于强度统计量即可良好泛化至未见的SPECT图像，表明其有效学习了通用的图像表征。
• 在最终层使用PReLU激活且不使用Softmax，相比标准分类头，显著提升了二值分割性能。