[论文解读] Realistic Adversarial Data Augmentation for MR Image Segmentation

Chen Chen, Chen Qin+7 more|arXiv (Cornell University)|Jun 23, 2020

Adversarial Robustness in Machine Learning参考文献 32被引用 10

一句话总结

该论文提出了一种用于MR图像分割的现实性对抗性数据增强方法，通过生成对抗性偏置场来模拟MRI中常见的强度非均匀性——一种常见伪影——从而在不使用生成网络的情况下提升模型的鲁棒性和泛化能力。该方法通过对抗性优化生成具有挑战性的、现实的强度损坏，在低数据量和跨人群设置下提升性能，实现了半监督和少样本学习场景下的最先进结果。

ABSTRACT

Neural network-based approaches can achieve high accuracy in various medical image segmentation tasks. However, they generally require large labelled datasets for supervised learning. Acquiring and manually labelling a large medical dataset is expensive and sometimes impractical due to data sharing and privacy issues. In this work, we propose an adversarial data augmentation method for training neural networks for medical image segmentation. Instead of generating pixel-wise adversarial attacks, our model generates plausible and realistic signal corruptions, which models the intensity inhomogeneities caused by a common type of artefacts in MR imaging: bias field. The proposed method does not rely on generative networks, and can be used as a plug-in module for general segmentation networks in both supervised and semi-supervised learning. Using cardiac MR imaging we show that such an approach can improve the generalization ability and robustness of models as well as provide significant improvements in low-data scenarios.

研究动机与目标

• 通过在极少标注数据下提升模型泛化能力和鲁棒性，解决医学图像分割中的数据稀缺问题。
• 在不依赖复杂生成模型的前提下，模拟真实的MRI伪影——特别是偏置场非均匀性。
• 开发一种即插即用的、高效的图像增强模块，兼容监督和半监督分割网络。
• 通过在训练过程中对抗性地生成困难且真实的样本，提升模型对强度扰动的鲁棒性。
• 在分布偏移和数据稀缺构成关键挑战的低数据量和跨人群场景中，验证方法的有效性。

提出的方法

• 提出一种基于物理的强度变换模型，用于模拟MR成像中常见的偏置场效应。
• 采用对抗性训练，优化最具有挑战性且真实的强度损坏，以最大化模型的不确定性。
• 采用可微分损失函数，结合KL散度与互补正则化项（𝒟comp），以指导对抗性偏置场的生成。
• 通过优化偏置场参数，使模型在难以分割区域的预测不确定性最大化，从而生成对抗性样本。
• 在训练中应用对抗性样本作为正则化项，促使网络学习鲁棒的基于形状的特征，而非基于纹理的特征。
• 该方法轻量化，无需生成网络，可作为即插即用模块集成到现有分割架构中。

实验结果

研究问题

• RQ1 使用现实偏置场伪影的对抗性数据增强是否能提升MR图像分割的泛化能力和鲁棒性？
• RQ2 在低数据量和跨人群设置下，对抗性偏置场增强与传统数据增强及其他对抗方法相比表现如何？
• RQ3 在不依赖额外GAN或复杂训练的前提下，使用物理上合理的强度损坏进行对抗性训练是否能超越基于生成模型的增强方法？
• RQ4 当仅在健康受试者上训练时，该方法是否能提升对病理病例的性能？
• RQ5 在标注数据有限的半监督学习中，对抗性增强在多大程度上有助于提升性能？

主要发现

• 在跨人群测试集上，所提方法取得了0.868的Dice分数，优于Mixup（0.833）和VAT（0.859），尤其在具有挑战性的MINF病例上表现更优。
• 在仅使用一个标注样本的低数据量半监督学习中，方法取得了0.686的Dice分数，超过VAT（0.625），并可与cGANs相媲美。
• 与随机偏置场增强相比，对抗性偏置场增强将Dice分数从0.852提升至0.868，显著改善了泛化能力。
• 引入互补正则化项𝒟comp后，平均Dice分数从0.859提升至0.868，表明模型更好地学习了鲁棒特征。
• 当仅在健康受试者上训练时，该方法成功缓解了在病理病例上的性能下降，证明了其对分布偏移的更强鲁棒性。
• 可视化结果表明，该方法生成了多样化的图像风格，同时保持了解剖结构完整性，促进了基于形状的表征学习。