[论文解读] Pseudo-Label Guided Multi-Contrast Generalization for Non-Contrast Organ-Aware Segmentation

Ho Hin Lee, Yucheng Tang+8 more|arXiv (Cornell University)|May 12, 2022

Advanced X-ray and CT Imaging被引用 4

一句话总结

该论文提出了一种伪标签引导的无监督方法，用于非增强CT（NCCT）器官分割，通过利用成对增强CT（CECT）的上下文作为教师监督，避免使用生成对抗网络。通过建模强度相关性，提升了器官感知的边界检测能力，并在内部多器官分割和外部主动脉分割基准上实现了最先进性能，Dice分数分别提升+3.98%和+8.00%。

ABSTRACT

Non-contrast computed tomography (NCCT) is commonly acquired for lung cancer screening, assessment of general abdominal pain or suspected renal stones, trauma evaluation, and many other indications. However, the absence of contrast limits distinguishing organ in-between boundaries. In this paper, we propose a novel unsupervised approach that leverages pairwise contrast-enhanced CT (CECT) context to compute non-contrast segmentation without ground-truth label. Unlike generative adversarial approaches, we compute the pairwise morphological context with CECT to provide teacher guidance instead of generating fake anatomical context. Additionally, we further augment the intensity correlations in 'organ-specific' settings and increase the sensitivity to organ-aware boundary. We validate our approach on multi-organ segmentation with paired non-contrast & contrast-enhanced CT scans using five-fold cross-validation. Full external validations are performed on an independent non-contrast cohort for aorta segmentation. Compared with current abdominal organs segmentation state-of-the-art in fully supervised setting, our proposed pipeline achieves a significantly higher Dice by 3.98% (internal multi-organ annotated), and 8.00% (external aorta annotated) for abdominal organs segmentation. The code and pretrained models are publicly available at https://github.com/MASILab/ContrastMix.

研究动机与目标

• 解决由于缺乏对比度增强而导致非增强CT（NCCT）扫描中器官边界模糊的挑战。
• 在无需昂贵人工标注真实标签的情况下，实现在NCCT中的精确器官分割。
• 通过多对比度上下文建模，提升对器官特异性解剖边界的敏感性。
• 开发一种可泛化的无监督框架，将成对CECT扫描的知识迁移至NCCT分割。
• 在内部多器官和外部独立主动脉分割队列上验证性能。

提出的方法

• 利用成对的NCCT和CECT扫描计算形态学上下文作为伪标签引导，替代生成对抗训练。
• 利用成对的CECT扫描提取结构上下文，以无监督方式指导NCCT分割。
• 通过增强器官特异性区域内的强度相关性学习，提升边界敏感性。
• 通过建模不同对比度类型之间的空间和强度关系，实现多对比度泛化。
• 采用自监督训练流程，使从CECT生成的伪标签作为NCCT学生网络的教师信号。
• 通过五折交叉验证和在独立NCCT队列上的完整外部验证，评估鲁棒性。

实验结果

研究问题

• RQ1 能否有效利用多对比度CECT上下文，在无真实标签的情况下引导无监督NCCT器官分割？
• RQ2 来自CECT成对样本的伪标签引导与生成对抗方法相比，在保留器官边界方面表现如何？
• RQ3 建模器官特异性强度相关性在多大程度上提升了NCCT上的分割精度？
• RQ4 所提方法是否能泛化至独立的外部NCCT队列，特别是对主动脉等复杂结构？
• RQ5 在完全无监督设置下，该方法能否实现NCCT器官分割的最先进性能？

主要发现

• 与当前完全监督设置下的最先进方法相比，该方法在内部多器官分割上的Dice分数提高了3.98%。
• 在独立的外部主动脉分割队列上，该方法比当前最先进方法的Dice分数高出8.00%。
• 该模型在未见的NCCT扫描上表现出强大的泛化能力，通过完整外部测试得到验证。
• 使用从CECT提取的形态学上下文作为伪标签，在边界保持方面优于生成对抗训练。
• 通过在器官特异性区域内建模强度相关性，该方法有效学习了器官感知表征。
• 代码和预训练模型已公开发布，支持可复现性与进一步研究。