[论文解读] Prior-aware Neural Network for Partially-Supervised Multi-Organ Segmentation

Yuyin Zhou, Zhe Li+6 more|arXiv (Cornell University)|Apr 12, 2019

Advanced Neural Network Applications参考文献 42被引用 47

一句话总结

PaNN 将腹部器官大小的解剖先验整合到部分监督的多器官分割框架中，使用最小-最大训练目标将输出大小分布正则化为经验先验，并在 MICCAI 2015 上达到最先进的结果。

ABSTRACT

Accurate multi-organ abdominal CT segmentation is essential to many clinical applications such as computer-aided intervention. As data annotation requires massive human labor from experienced radiologists, it is common that training data are partially labeled, e.g., pancreas datasets only have the pancreas labeled while leaving the rest marked as background. However, these background labels can be misleading in multi-organ segmentation since the "background" usually contains some other organs of interest. To address the background ambiguity in these partially-labeled datasets, we propose Prior-aware Neural Network (PaNN) via explicitly incorporating anatomical priors on abdominal organ sizes, guiding the training process with domain-specific knowledge. More specifically, PaNN assumes that the average organ size distributions in the abdomen should approximate their empirical distributions, a prior statistics obtained from the fully-labeled dataset. As our training objective is difficult to be directly optimized using stochastic gradient descent [20], we propose to reformulate it in a min-max form and optimize it via the stochastic primal-dual gradient algorithm. PaNN achieves state-of-the-art performance on the MICCAI2015 challenge "Multi-Atlas Labeling Beyond the Cranial Vault", a competition on organ segmentation in the abdomen. We report an average Dice score of 84.97%, surpassing the prior art by a large margin of 3.27%.

研究动机与目标

• 在腹部 CT 扫描标注成本导致注释不完整时，推动实现准确的多器官分割。
• 引入器官大小的解剖先验以规范化分割输出。
• 开发通过最小-最大优化方案将先验信息纳入的训练目标，适用于随机梯度下降。
• 证明 PaNN 在标准腹部分割基准上，使用部分标注数据时优于以往方法。

提出的方法

• 在多种腹部器官上定义部分监督，其中某些数据集仅标注子集器官。
• 引入一个考虑先验的损失，通过将平均输出分布与先验统计量匹配，使网络输出与来自完全标注数据的经验性器官大小比例一致，从而鼓励输出符合观测比例。
• 将先验损失表述为器官先验分布与网络平均预测分布之间的 KL 散度，并使用辅助对偶变量将目标转化为最小-最大问题，以便实现基于 SGD 的优化。
• 采用交替优化策略：(a) 为部分标注数据估计伪标签并更新对偶变量以最大化先验项；(b) 更新网络参数以最小化综合损失。
• 提供两阶段训练程序：首先在完全标注数据上进行初始化训练；然后在完全标注和部分标注数据上联合使用最小-最大目标进行训练。
• 使用 MICCAI 2015 数据集对 2D 和 3D 分割模型进行交叉验证评估并报告 Dice 分数。

实验结果

研究问题

• RQ1 在训练数据部分标注的情况下，器官大小的解剖先验是否能提高多器官分割？
• RQ2 如何将先验信息以与随机优化兼容的方式整合到分割目标中？
• RQ3 PaNN 是否在腹部器官分割基准上优于天真的部分监督或半监督方法？
• RQ4 在部分监督条件下，使用不同骨干结构（2D 与 3D）的 PaNN 对分割性能有何影响？

主要发现

• PaNN 在 MICCAI 2015 Multi-Atlas Abdomen Labeling 上获得了最先进的性能，平均 Dice 分数为 84.97%，较现有方法高出 3.27%。
• 在部分监督下，PaNN 通常优于天真的部分监督方法，在多种骨干网络（如 ResNet-50、ResNet-101、3D-UNet）上显示显著提升。
• 在多项实验中，该方法对许多器官（包括胆囊、食道、胰腺和肾上腺等较小或复杂的器官）显示出统计显著的改进。
• 两阶段训练策略和最小-最大优化使得有效利用部分标注数据集成为可能，而无需额外的标注预算。
• PaNN 在额外数据集的实验中展现出强泛化能力，相较于竞争方法在完全、半监督和部分监督下均取得更好的性能。