[论文解读] Self-supervised Tumor Segmentation through Layer Decomposition

Xiaoman Zhang, Weidi Xie+5 more|arXiv (Cornell University)|Sep 7, 2021

AI in cancer detection参考文献 71被引用 4

一句话总结

本文提出了一种基于合成肿瘤数据的分层分解自监督肿瘤分割方法，可在无需微调的情况下实现对真实医学图像的零样本推理。通过训练模型将合成3D影像分解为正常组织和肿瘤层，该方法在BraTS2018和LiTS2017上实现了最先进的零样本性能，且在低标注数据环境下展现出优异的泛化能力和可迁移性。

ABSTRACT

In this paper, we target self-supervised representation learning for zero-shot tumor segmentation. We make the following contributions: First, we advocate a zero-shot setting, where models from pre-training should be directly applicable for the downstream task, without using any manual annotations. Second, we take inspiration from "layer-decomposition", and innovate on the training regime with simulated tumor data. Third, we conduct extensive ablation studies to analyse the critical components in data simulation, and validate the necessity of different proxy tasks. We demonstrate that, with sufficient texture randomization in simulation, model trained on synthetic data can effortlessly generalise to segment real tumor data. Forth, our approach achieves superior results for zero-shot tumor segmentation on different downstream datasets, BraTS2018 for brain tumor segmentation and LiTS2017 for liver tumor segmentation. While evaluating the model transferability for tumor segmentation under a low-annotation regime, the proposed approach also outperforms all existing self-supervised approaches, opening up the usage of self-supervised learning in practical scenarios.

研究动机与目标

• 通过实现无需人工标注的零样本肿瘤分割，解决医学图像分割中高标注成本的挑战。
• 通过数据模拟中的真实纹理随机化，减小合成训练数据与真实临床扫描之间的域差距。
• 基于分层分解开发一种自监督训练范式，直接预测肿瘤掩码而无需微调。
• 证明预训练模型在真实肿瘤分割任务中的强可迁移性，即使在极少或无标注数据的情况下亦成立。
• 通过广泛的消融实验验证代理任务和数据模拟组件的必要性与有效性。

提出的方法

• 通过使用透明度混合将人工肿瘤嵌入正常器官结构中，生成合成3D医学影像，以模拟真实的肿瘤外观。
• 训练深度神经网络从合成输入中重建正常器官、肿瘤和肿瘤掩码，采用分层分解目标函数。
• 将自监督代理任务表述为重建问题，使模型学习将输入分离为组织与肿瘤成分。
• 在数据生成过程中使用纹理随机化，以提升对真实肿瘤外观的泛化能力并减少域偏移。
• 直接将预训练模型应用于真实扫描进行推理，无需任何微调（零样本设置）。
• 在存在少量标注数据时支持高效微调，证明在低数据场景下的强可迁移性。

实验结果

研究问题

• RQ1 在合成肿瘤数据上训练的自监督模型是否能直接泛化到真实肿瘤分割任务而无需微调？
• RQ2 合成数据生成中的纹理随机化如何影响模型对真实肿瘤的泛化能力？
• RQ3 不同代理任务（如重建、分解）对下游肿瘤分割性能有何影响？
• RQ4 与现有自监督方法相比，该方法在零样本和低样本可迁移性方面表现如何？
• RQ5 在数据模拟流程中，哪些组件对实现向真实临床数据的强泛化能力最为关键？

主要发现

• 在零样本设置下，该方法在BraTS2018上的全肿瘤分割Dice分数达到90.10 ± 0.51，优于所有现有自监督方法。
• 在LiTS2017上，该模型在零样本推理下的全肿瘤分割Dice分数达到81.39 ± 0.64，展现出强大的泛化能力。
• 仅使用10%的训练数据并进行完整微调时，该模型在BraTS2018增强肿瘤分割任务中的Dice分数达到99.86 ± 0.01，超越SOTA。
• 消融实验表明，合成数据中充分的纹理随机化对泛化至关重要，可减少域偏移并提升鲁棒性。
• 与基线方法相比，该模型在多次运行中表现出更低的标准差，表明其在自监督范式下具有更高的训练稳定性和鲁棒性。
• 即使不进行微调，该模型的性能仍优于从零开始的监督训练（无数据增强），凸显了自监督预训练的有效性。