[论文解读] NINEPINS: Nuclei Instance Segmentation with Point Annotations

Ting An Yen, Hung Chun Hsu+4 more|arXiv (Cornell University)|Jun 24, 2020

Forensic and Genetic Research参考文献 14被引用 6

一句话总结

本文提出 NINEPINS，一种用于组织病理学图像中细胞核实例分割的半监督框架，通过使用从稀疏点标注生成的伪标签来训练经过修改的 HoVer-Net 模型。该方法利用沃罗诺伊图和距离图生成鲁棒的分割掩码，在分割指标最多下降10%的情况下，实现与全监督训练相当的性能，并在下游分类任务中表现出最小的性能退化。

ABSTRACT

Deep learning-based methods are gaining traction in digital pathology, with an increasing number of publications and challenges that aim at easing the work of systematically and exhaustively analyzing tissue slides. These methods often achieve very high accuracies, at the cost of requiring large annotated datasets to train. This requirement is especially difficult to fulfill in the medical field, where expert knowledge is essential. In this paper we focus on nuclei segmentation, which generally requires experienced pathologists to annotate the nuclear areas in gigapixel histological images. We propose an algorithm for instance segmentation that uses pseudo-label segmentations generated automatically from point annotations, as a method to reduce the burden for pathologists. With the generated segmentation masks, the proposed method trains a modified version of HoVer-Net model to achieve instance segmentation. Experimental results show that the proposed method is robust to inaccuracies in point annotations and comparison with Hover-Net trained with fully annotated instance masks shows that a degradation in segmentation performance does not always imply a degradation in higher order tasks such as tissue classification.

研究动机与目标

• 通过仅使用点标注而非完整掩码标注，减少数字病理学中的标注负担，实现细胞核实例分割。
• 开发一种半监督学习框架，从稀疏点标签生成高质量的伪分割掩码。
• 评估该方法对点标注不准确性的鲁棒性，特别是点标注偏离真实细胞核中心时的影响。
• 评估基于点标注的分割方法对更高阶任务（如组织分类）的影响。
• 证明实例分割性能的退化并不必然导致下游诊断任务的性能下降。

提出的方法

• 该方法使用沃罗诺伊图将每个点分配到其对应区域，确保空间覆盖，从而从点标注生成伪分割掩码。
• 通过计算每个像素到细胞核边界的最小距离，从沃罗诺伊区域合成距离图标签，使 HoVer-Net 中的距离图分支得以训练。
• 使用真实实例掩码与从点标注生成的伪标签掩码相结合的方式，训练修改后的 HoVer-Net 架构。
• 通过应用高斯噪声（公式3和4）对点进行扰动，模拟标注不准确性，以测试方法的鲁棒性。
• 该框架采用双分支解码器：一个用于实例分割掩码，一个用于距离图，分别使用交叉熵损失和L1损失进行训练。
• 通过 DICE 和 DQ_point 指标评估性能，并在 Camelyon16 数据集上使用 CGC-Net 评估下游分类任务。

实验结果

研究问题

• RQ1 当仅使用从点标注生成的伪标签进行训练时，实例分割性能是否能够保持？
• RQ2 该方法对点标注不准确性（如偏离真实细胞核中心）的鲁棒性如何？
• RQ3 由于弱监督导致的分割指标退化（如 DICE 或 DQ_point）是否会导致组织分类等更高阶任务的成比例退化？
• RQ4 使用点标注的半监督框架能否实现与使用掩码标注的全监督训练相当的性能？
• RQ5 在不损害诊断实用性的前提下，使用点标注能在多大程度上减少标注负担？

主要发现

• 在不同水平的点标注噪声下，所提方法的 DICE 分数保持稳定，即使点标注偏离真实中心达 ε = 1，性能退化也极小。
• DQ_point 指标（衡量实例级检测准确率）在点标注扰动范围合理（ε ≤ 1）内仅出现小幅下降（±0.03以内）。
• 尽管分割指标可能下降10%（如 DICE 或 DQ_point），但使用 CGC-Net 的下游组织分类任务在 Camelyon16 数据集上，NINEPINS 的平均准确率更高（91.60% ± 1.85%），优于 HoVer-Net（93.51% ± 3.90%）。
• 在第1折中，NINEPINS 的分类准确率（94.20%）优于 HoVer-Net（88.15%），表明弱监督可为更高阶任务带来更好的泛化能力。
• 结果表明，分割性能的退化并不总是意味着下游诊断任务的性能下降，支持弱监督方法在临床流程中的可行性。
• 该方法证明，从点标注生成伪标签具有鲁棒性和有效性，可在显著减少标注工作量的前提下实现高质量的实例分割。