[论文解读] Pathological Image Segmentation with Noisy Labels

Li Xiao, Yinhao Li+4 more|arXiv (Cornell University)|Mar 20, 2021

AI in cancer detection参考文献 20被引用 4

一句话总结

该论文提出了一种新颖的标签重加权框架与高斯注意力焦点损失（GAFL），以提升在噪声多专家标签下的病理图像分割性能。通过利用周围特征的像素级可靠性以及粗糙度感知注意力机制，该方法增强了模型的鲁棒性，并在Gleason 2019数据集上实现了最先进（SOTA）的性能表现，尤其在分割具有挑战性的Gleason 5级区域方面，Dice分数最高提升了29.37%。

ABSTRACT

Segmentation of pathological images is essential for accurate disease diagnosis. The quality of manual labels plays a critical role in segmentation accuracy; yet, in practice, the labels between pathologists could be inconsistent, thus confusing the training process. In this work, we propose a novel label re-weighting framework to account for the reliability of different experts' labels on each pixel according to its surrounding features. We further devise a new attention heatmap, which takes roughness as prior knowledge to guide the model to focus on important regions. Our approach is evaluated on the public Gleason 2019 datasets. The results show that our approach effectively improves the model's robustness against noisy labels and outperforms state-of-the-art approaches.

研究动机与目标

• 解决多位病理学家在病理图像分割中存在不一致标注的挑战。
• 减少临床病理数据集中由噪声及观察者间标签差异导致的模型偏差。
• 通过整合多专家标签，提升分割的鲁棒性与准确性，尤其针对高分级Gleason模式（如5级）。
• 开发一种可靠且可学习的机制，根据局部图像上下文与专家一致性对标签进行加权。
• 在公开的Gleason 2019基准上验证该方法，证明其在最先进方法中表现更优。

提出的方法

• 标签重加权框架使用一个加权卷积神经网络（CNN），根据周围特征为每个像素动态分配损失权重，以反映专家的可靠性。
• 高斯注意力焦点损失（GAFL）模块利用粗糙度作为先验知识，生成一个热力图以重新加权焦点损失，突出重要区域。
• 该框架结合了来自多数共识的投票损失与各专家的加权损失，所有损失均受GAFL热力图调制。
• 加权CNN与分割网络端到端联合训练，以优化在不确定或噪声区域的损失。
• 在训练过程中，通过基于训练迭代次数的调度策略，动态调整超参数λ₁和λ₂。
• 模型在Gleason 2019数据集上使用HRNet18和HRNet48主干网络进行训练，基于验证性能采用早停策略。

实验结果

研究问题

• RQ1 在专家标注不一致的情况下，可学习的标签重加权机制是否能提升分割性能？
• RQ2 在损失函数中引入粗糙度作为先验，如何影响模型注意力机制与分割精度？
• RQ3 所提出的GAFL与重加权模块在多大程度上能减轻噪声多专家标签对病理图像分割的负面影响？
• RQ4 该框架是否能在不同主干网络架构上泛化，并提升对困难Gleason分级（尤其是5级）的性能？
• RQ5 在真实世界噪声标注条件下，该方法是否能在公开的Gleason 2019基准上超越现有最先进模型？

主要发现

• 在使用HRNet18的Gleason 2019测试集上，所提方法的平均Dice系数达到66.21%，优于此前最先进方法PSPNet（55.53%）。
• 与基线相比，同时引入标签重加权与GAFL模块后，HRNet18上Gleason 5级的Dice分数提升了29.37%，HRNet48上提升了21.19%。
• 仅使用GAFL模块，HRNet18上的Dice分数提升了4.07%，表明其在聚焦关键区域方面具有显著影响。
• 仅使用标签重加权模块，HRNet18上的性能提升了0.36%，表明其在处理标签噪声方面具有增量但有意义的增益。
• 消融实验证实，两个模块在不同主干网络上均持续提升分割性能，尤其在Gleason 5级等难以分割区域提升最为显著。
• 可视化结果表明，所提方法生成的分割图更加准确且连贯，尤其在区分高分级癌变区域方面表现更优。