[论文解读] Partial Labeled Gastric Tumor Segmentation via patch-based Reiterative Learning

Nan Yang, Gianmarc Coppola+6 more|arXiv (Cornell University)|Dec 20, 2017

Radiomics and Machine Learning in Medical Imaging参考文献 19被引用 6

一句话总结

本文提出了一种基于图像块的迭代学习框架，用于使用部分标注的病理图像进行胃肿瘤分割，减少了对完整人工标注的依赖。通过利用重叠区域预测来纠正边界误差，并迭代优化预测结果，该方法在部分标注数据集上实现了0.883的平均IOU和91.09%的准确率，在低标注数据环境下优于现有方法。

ABSTRACT

Gastric cancer is the second leading cause of cancer-related deaths worldwide, and the major hurdle in biomedical image analysis is the determination of the cancer extent. This assignment has high clinical relevance and would generally require vast microscopic assessment by pathologists. Recent advances in deep learning have produced inspiring results on biomedical image segmentation, while its outcome is reliant on comprehensive annotation. This requires plenty of labor costs, for the ground truth must be annotated meticulously by pathologists. In this paper, a reiterative learning framework was presented to train our network on partial annotated biomedical images, and superior performance was achieved without any pre-trained or further manual annotation. We eliminate the boundary error of patch-based model through our overlapped region forecast algorithm. Through these advisable methods, a mean intersection over union coefficient (IOU) of 0.883 and mean accuracy of 91.09% on the partial labeled dataset was achieved, which made us win the 2017 China Big Data & Artificial Intelligence Innovation and Entrepreneurship Competitions.

研究动机与目标

• 为解决生物医学图像分割中高标注成本的挑战，特别是胃癌病理图像的标注问题。
• 在仅使用部分标注的情况下实现准确的肿瘤分割，最大限度减少对完整病理学家级别标注的依赖。
• 通过一种新颖的重叠区域预测策略，有效缓解基于图像块的深度学习模型中常见的边界误差问题。
• 开发一种自我改进的训练框架，通过迭代优化预测结果，无需额外的人工标注。
• 在真实世界中部分标注的胃肿瘤数据集上实现最先进性能。

提出的方法

• 该框架采用基于图像块的卷积神经网络（CNN），从图像块中提取局部特征。
• 应用迭代学习策略，将模型的预测结果作为后续训练迭代中的伪标签，以提升性能。
• 引入一种重叠区域预测算法，通过聚合重叠图像块的预测结果，纠正边界不一致性。
• 在部分标注数据上端到端训练模型，无需预训练或额外人工标注。
• 使用交叉熵损失和Dice损失联合优化损失函数，以平衡类别不平衡问题并提升分割精度。
• 迭代优化过程增强了模型的泛化能力，并减少了边界区域的误差传播。

实验结果

研究问题

• RQ1 深度学习模型能否仅使用部分标注实现高精度的胃肿瘤分割？
• RQ2 在不增加额外标注的前提下，如何有效缓解基于图像块分割中的边界误差？
• RQ3 在低标注生物医学数据集上，迭代微调能在多大程度上提升性能？
• RQ4 自监督的优化机制能否在有限真实标签下超越标准训练方法？
• RQ5 所提出的方法在真实世界中稀疏标注的病理图像上是否具备鲁棒性和有效性？

主要发现

• 该方法在部分标注的胃肿瘤数据集上实现了0.883的平均交并比（IOU）。
• 该模型在同一数据集上达到了91.09%的平均准确率，表现出强大的分割性能。
• 重叠区域预测算法有效减少了基于图像块模型中常见的边界误差。
• 迭代学习框架在无需额外人工标注或预训练的情况下实现了性能提升。
• 该方法在2017年中国大数据与人工智能创新创业大赛中获得第一名。
• 结果证实，在低标注环境下，通过迭代优化与重叠图像块分析，可实现高精度分割的可行性。