[论文解读] PseudoEdgeNet: Nuclei Segmentation only with Point Annotations

Inwan Yoo, Donggeun Yoo+1 more|arXiv (Cornell University)|Jun 7, 2019

AI in cancer detection参考文献 17被引用 8

一句话总结

该论文提出 PseudoEdgeNet，一种弱监督的细胞核分割方法，仅使用点标注而非昂贵的分割掩码来训练深度学习模型。通过引入一个轻量级辅助网络（PseudoEdgeNet）生成伪边缘图以指导边界学习，该方法在两个公开数据集上实现了最先进性能，相较于现有弱监督方法，IoU 最高提升 5.34%。

ABSTRACT

Nuclei segmentation is one of the important tasks for whole slide image analysis in digital pathology. With the drastic advance of deep learning, recent deep networks have demonstrated successful performance of the nuclei segmentation task. However, a major bottleneck to achieving good performance is the cost for annotation. A large network requires a large number of segmentation masks, and this annotation task is given to pathologists, not the public. In this paper, we propose a weakly supervised nuclei segmentation method, which requires only point annotations for training. This method can scale to large training set as marking a point of a nucleus is much cheaper than the fine segmentation mask. To this end, we introduce a novel auxiliary network, called PseudoEdgeNet, which guides the segmentation network to recognize nuclei edges even without edge annotations. We evaluate our method with two public datasets, and the results demonstrate that the method consistently outperforms other weakly supervised methods.

研究动机与目标

• 通过减少对像素级分割掩码的依赖，降低全切片图像中细胞核分割的标注成本。
• 通过在训练过程中引入推断边缘细节的机制，克服点标注缺乏边界信息的局限性。
• 开发一种弱监督学习框架，利用点监督训练分割网络，实现更精确的边界定位。
• 证明轻量级辅助网络（PseudoEdgeNet）可在无需边缘标注的情况下，有效指导主分割网络。
• 在大幅降低标注工作量的同时，实现与全监督方法相当的性能表现。

提出的方法

• 使用基于点标注的二值交叉熵损失训练分割网络：靠近点标注的像素为正样本，Voronoi 边界通过距离变换确定为负样本。
• 引入 PseudoEdgeNet 作为辅助网络，利用 Sobel 滤波器和轻量级 CNN 生成伪边缘图，提供无需真实边缘的边缘监督。
• 通过结合分割与边缘预测的多任务损失联合训练分割网络与 PseudoEdgeNet，损失平衡系数 λ=1.0。
• 在 PseudoEdgeNet 中引入注意力模块（h），结合 FPN 与 ResNet-18，以优化边缘预测并提升特征表示能力。
• 应用广泛的图像增强技术（颜色抖动、噪声、旋转、弹性形变）以提升泛化能力，并采用早停法结合衰减学习率。
• 使用 Adam 优化器，初始初始学习率设为 0.001，并基于验证集 IoU 选择最佳模型。

实验结果

研究问题

• RQ1 仅使用点标注而非完整分割掩码，是否能显著提升细胞核分割性能？
• RQ2 在无边缘标注的情况下，轻量级辅助网络（PseudoEdgeNet）在生成伪边缘图以指导边界学习方面的有效性如何？
• RQ3 边缘网络（g）的容量与架构对分割性能有何影响？
• RQ4 在 PseudoEdgeNet 中引入注意力模块（h）是否能增强模型学习精细边界的性能？
• RQ5 与现有弱监督方法相比，该方法在 IoU 和跨数据集鲁棒性方面表现如何？

主要发现

• 采用小型边缘网络（g）与注意力模块（h）的 PseudoEdgeNet 在 MoNuSeg 数据集上达到 0.6136 IoU，在 TNBC 数据集上达到 0.6038 IoU，分别较基线 [9] 提升 +4.26% 和 +5.34%。
• 引入注意力模块（h）带来的性能增益显著，表明优化后的边缘监督可有效提升边界定位能力。
• 相较于小型架构，大型边缘网络（如 FPN-ResNet50）性能反而更差，表明高容量并非有益，甚至可能损害性能。
• 将小型边缘网络的深度从 2 层增至 8 层对性能影响微乎其微，表明浅层网络已足以实现有效的边缘监督。
• 该方法在 MoNuSeg 上达到 0.6522 IoU 的强性能，接近全监督学习水平，证明了基于点标注的弱监督结合伪边缘引导的有效性。
• 消融实验证实，边缘网络（g）与注意力模块（h）均为关键组件，其中 g 提供关键的边缘监督，h 则进一步优化边缘表征。