[论文解读] MR Acquisition-Invariant Representation Learning

Wouter M. Kouw, Marco Loog+2 more|arXiv (Cornell University)|Sep 22, 2017

Domain Adaptation and Few-Shot Learning参考文献 38被引用 4

一句话总结

该论文提出 mrai-net，一种孪生神经网络，通过最小化扫描仪特异性差异的同时保留组织对比度，学习对 MRI 扫描采集方式不变的表征。该方法实现了可迁移、可泛化的组织分类：当目标域数据有限时，基于 mrai-net 特征的线性分类器性能优于深度卷积神经网络（CNN）。

ABSTRACT

Voxelwise classification approaches are popular and effective methods for tissue quantification in brain magnetic resonance imaging (MRI) scans. However, generalization of these approaches is hampered by large differences between sets of MRI scans such as differences in field strength, vendor or acquisition protocols. Due to this acquisition related variation, classifiers trained on data from a specific scanner fail or under-perform when applied to data that was acquired differently. In order to address this lack of generalization, we propose a Siamese neural network (MRAI-net) to learn a representation that minimizes the between-scanner variation, while maintaining the contrast between brain tissues necessary for brain tissue quantification. The proposed MRAI-net was evaluated on both simulated and real MRI data. After learning the MR acquisition invariant representation, any supervised classification model that uses feature vectors can be applied. In this paper, we provide a proof of principle, which shows that a linear classifier applied on the MRAI representation is able to outperform supervised convolutional neural network classifiers for tissue classification when little target training data is available.

研究动机与目标

• 解决由于扫描相关差异（如场强、厂商、扫描协议）导致的监督性体素分类在 MRI 脑组织分割中泛化性不足的问题。
• 在不损失临床相关的组织对比度的前提下，减少不同 MRI 扫描仪或扫描协议带来的非期望差异。
• 开发一种与任务无关、对采集方式不变的表征，使源域的标注数据可被复用于新的、未见过的扫描仪。
• 证明当目标域训练数据稀缺时，基于学习到的不变表征的简单线性分类器可优于在有限目标域图像块上训练的复杂深度 CNN。

提出的方法

• 采用具有双编码器的孪生神经网络架构，从成对的 MRI 扫描中学习共享表征。
• 使用对比损失函数进行网络训练，使相似样本对（相同组织、不同扫描仪）的嵌入向量相互靠近，而使不相似样本对（不同组织、相同扫描仪）的嵌入向量相互远离。
• 将‘相似’样本对定义为相同组织但不同扫描仪的扫描；将‘不相似’样本对定义为不同组织但相同扫描仪的扫描。
• 通过最小化嵌入空间中成对距离的 L1-范数，确保梯度稳定并实现有效的特征聚类。
• 学习对采集差异具有不变性的表征，同时保留组织特异性对比度，以支持下游分类任务。
• 在不变特征上应用任意标准监督分类器（如线性 SVM）以实现组织分割。

实验结果

研究问题

• RQ1 能否学习到一种深度表征，使其对 MRI 扫描采集差异（如 1.5T 与 3T、不同厂商）具有不变性，同时保留组织对比度？
• RQ2 当仅能获取少量目标扫描仪的标注数据时，学习此类不变表征是否能提升组织分类的泛化能力？
• RQ3 当目标域训练数据稀缺时，基于不变特征的简单线性分类器是否能优于在有限目标域图像块上训练的更复杂的深度 CNN？
• RQ4 通过代理度量（如 ${\cal A}$-距离）衡量，所提方法在多大程度上减少了扫描仪之间的域偏移？
• RQ5 所学习的表征是否在不同类型 MRI 数据（包括模拟数据和真实患者扫描）上均具备泛化能力？

主要发现

• mrai-net 有效学习到了 MRI 扫描采集方式不变的表征，表现为源域与目标域之间代理度量 ${\cal A}$-距离较低。
• 当仅能获取少量目标域训练图像块时，基于 mrai-net 特征的线性分类器性能优于在目标扫描仪图像块上训练的监督型 CNN。
• 该方法通过将源扫描仪（如 1.5T）和目标扫描仪（如 3T）映射到共享的、采集方式不变的特征空间，实现了从源扫描仪到目标扫描仪的标签迁移。
• 采用 L1-范数对比损失的孪生网络能有效减少采集相关差异，同时保持组织的可分性。
• 该方法在 MRBrainS 数据集的真实患者数据上表现良好，证实了其在临床部署中的潜力。
• 所学习的表征与任务无关，可广泛用于下游各类任务，而不仅限于组织分割，例如病灶检测或肿瘤检测。