[论文解读] Self-Supervised Learning for Cardiac MR Image Segmentation by Anatomical Position Prediction

Wenjia Bai, Chen Chen+7 more|arXiv (Cornell University)|Jul 5, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 10被引用 30

一句话总结

本文提出了一种用于心脏MR图像分割的自监督学习方法，通过预测标准心脏MRI成像平面所导出的解剖位置来训练U-Net编码器，从而无需人工标注。该方法在小样本设置下实现了最先进性能，仅使用五名标注受试者，平均Dice系数从0.811提升至0.852。

ABSTRACT

In the recent years, convolutional neural networks have transformed the field of medical image analysis due to their capacity to learn discriminative image features for a variety of classification and regression tasks. However, successfully learning these features requires a large amount of manually annotated data, which is expensive to acquire and limited by the available resources of expert image analysts. Therefore, unsupervised, weakly-supervised and self-supervised feature learning techniques receive a lot of attention, which aim to utilise the vast amount of available data, while at the same time avoid or substantially reduce the effort of manual annotation. In this paper, we propose a novel way for training a cardiac MR image segmentation network, in which features are learnt in a self-supervised manner by predicting anatomical positions. The anatomical positions serve as a supervisory signal and do not require extra manual annotation. We demonstrate that this seemingly simple task provides a strong signal for feature learning and with self-supervised learning, we achieve a high segmentation accuracy that is better than or comparable to a U-net trained from scratch, especially at a small data setting. When only five annotated subjects are available, the proposed method improves the mean Dice metric from 0.811 to 0.852 for short-axis image segmentation, compared to the baseline U-net.

研究动机与目标

• 解决标注心脏MR数据有限的问题，因为此类数据的生成成本高且耗时长。
• 通过利用临床环境中丰富的未标注MRI扫描数据，减少对完全监督学习的依赖。
• 开发一种自监督的预训练任务，利用标准MRI成像平面中的内在解剖信息。
• 通过新颖的解剖位置预测任务，在极少量标注数据下实现分割性能的提升。
• 实现适用于真实临床工作流程的数据高效训练，用于心脏MR图像分割。

提出的方法

• 设计一种自监督的预训练任务，使模型预测给定心脏MR图像的解剖位置（例如，短轴切面、四腔心切面）。
• 利用成像平面信息和DICOM头文件自动定义解剖位置，无需人工标注。
• 在预训练任务上使用对比学习训练U-Net编码器，从未标注数据中学习判别性特征。
• 在少量标注的短轴和长轴图像上，通过添加解码器头对编码器进行微调以实现分割。
• 评估多种训练策略：冻结编码器仅微调解码器（SSL+Decoder），或联合训练所有层（SSL+All，SSL+MultiTask）。
• 采用标准指标如Dice系数和平均轮廓距离，评估在不同数据规模下的分割性能。

实验结果

研究问题

• RQ1 解剖位置预测能否作为心脏MR图像分割的有效自监督预训练任务？
• RQ2 使用解剖位置进行自监督预训练，在分割精度方面与从零开始训练的U-Net相比表现如何？
• RQ3 当仅有少量标注受试者时，所提方法在性能提升方面能达到何种程度？
• RQ4 该自监督方法是否能在不同心脏MR成像视图（如短轴和长轴图像）间实现泛化？
• RQ5 该方法能否在大幅减少标注需求的前提下，实现与完全监督模型相当的性能？

主要发现

• 仅使用五名标注受试者时，所提自监督方法（SSL+MultiTask）在短轴图像分割中达到0.852的平均Dice分数，而从零开始训练的U-Net仅为0.811。
• 在最小数据设置（n=1）下，SSL+MultiTask模型产生了有意义的分割结果，而U-Net基线模型则完全失败。
• 对于长轴图像分割，SSL+MultiTask方法在100名受试者下达到0.934的Dice分数，优于U-Net基线（0.930），且在低数据量条件下持续表现出优势。
• 随着数据量增加，自监督与监督训练之间的性能差距缩小，当n≥50名受试者时，两者趋于收敛。
• SSL+MultiTask策略始终优于其他微调配置，表明编码器与解码器的联合优化能获得最佳结果。
• 该方法表现出强大的迁移能力，自监督编码器学习到的特征在极少监督下也能良好泛化至下游分割任务。