[论文解读] Self-Learning to Detect and Segment Cysts in Lung CT Images without Manual Annotation

Ling Zhang, Vissagan Gopalakrishnan+4 more|arXiv (Cornell University)|Jan 25, 2018

Radiomics and Machine Learning in Medical Imaging参考文献 10被引用 6

一句话总结

本文提出了一种无需任何人工标注的自学习框架，用于肺部CT扫描中的囊肿检测与分割。该方法从无监督的K均值聚类和图割法开始进行初始分割，随后通过使用自身预测结果作为伪标签，迭代训练U-Net模型，逐步提升性能，优于初始的无监督基线方法，并在未见数据上超越了一种半自动方法。

ABSTRACT

Image segmentation is a fundamental problem in medical image analysis. In recent years, deep neural networks achieve impressive performances on many medical image segmentation tasks by supervised learning on large manually annotated data. However, expert annotations on big medical datasets are tedious, expensive or sometimes unavailable. Weakly supervised learning could reduce the effort for annotation but still required certain amounts of expertise. Recently, deep learning shows a potential to produce more accurate predictions than the original erroneous labels. Inspired by this, we introduce a very weakly supervised learning method, for cystic lesion detection and segmentation in lung CT images, without any manual annotation. Our method works in a self-learning manner, where segmentation generated in previous steps (first by unsupervised segmentation then by neural networks) is used as ground truth for the next level of network learning. Experiments on a cystic lung lesion dataset show that the deep learning could perform better than the initial unsupervised annotation, and progressively improve itself after self-learning.

研究动机与目标

• 解决医学图像分割中囊性肺病变因标注成本高和专家标注数据稀缺带来的挑战。
• 开发一种极弱监督方法，完全消除对任何像素级、稀疏或图像级标注的需求。
• 使深度学习模型能够通过自学习迭代改进，从无监督分割开始。
• 评估深度学习是否能超越初始伪标签的质量，并逐步优化分割性能。

提出的方法

• 初始分割通过结合像素强度和局部窗口统计量的空间K均值聚类生成，随后使用基于平方强度差异数据项和光滑性项（δ = 0.003）的图割法进行优化。
• 从无监督方法（SK-GC）获得的伪标签作为U-Net分割网络的训练目标。
• 递归训练三个连续的U-Net模型（UNet-level1至UNet-level3），每个后续模型均使用前一个模型的预测结果作为伪标签。
• 学习率在UNet-level1初始化为1×10⁻⁷，后续每级降低10倍，每个模型训练50,000次迭代，小批量大小为1。
• 该框架基于假设：深度学习可生成优于原始训练标签的预测结果，从而通过迭代优化实现自我改进。
• 训练在166个体素CT扫描上进行，其中17个体素保留用于未见数据测试；性能通过Dice系数和囊肿评分绝对差（ADCS）进行评估。

实验结果

研究问题

• RQ1 在无任何人工标注的情况下，深度学习模型能否实现优于初始无监督分割方法的分割性能？
• RQ2 使用模型预测作为伪标签进行递归自学习，是否能带来囊肿分割准确率的逐步提升？
• RQ3 在缺乏专家标注数据的情况下，所提方法能否超越现有的半自动或弱监督方法？
• RQ4 自学习过程在多次迭代后是否趋于稳定或退化？性能是否达到平台期？

主要发现

• UNet-level1在17个体素未见测试数据上达到75.41%的Dice分数和3.65%的ADCS，优于无监督的SK-GC教师模型（74.67% Dice，3.71% ADCS）。
• UNet-level2在未见数据上取得最佳性能，Dice分数为75.87%，ADCS为3.38%，表明自学习可提升分割准确率。
• 在6张具有高ADCS差异的挑战性CT图像子集中，UNet-level2达到82.65% Dice和1.98% ADCS，显著优于SK-GC（70.39% Dice，11.25% ADCS）和文献[5]中的半自动方法（79.05% Dice，5.19% ADCS）。
• 性能在UNet-level3达到平台期，未见数据上的Dice分数为74.94%，ADCS为4.56%，表明在两次自学习迭代后收益递减。
• 整个训练过程耗时约17小时，每切片推理时间为0.13秒，证明了计算上的可行性。
• 图3的可视化结果表明，每一级自学习均减少了过度分割和分割不足，尤其显著改善了重叠囊肿的边界准确性。