[论文解读] Semi-supervised Anatomical Landmark Detection via Shape-regulated Self-training

Runnan Chen, Yuexin Ma+5 more|arXiv (Cornell University)|May 28, 2021

Medical Imaging and Analysis参考文献 35被引用 4

一句话总结

本文提出了一种用于半监督解剖学标志点检测的形状调节自训练框架，通过基于主成分分析（PCA）的形状先验来优化不一致的伪标签，并引入区域注意力损失以引导网络关注结构一致的区域。该方法实现了最先进性能，在基准数据集上将平均配准误差降低了6.3%，并展现出在极少标注数据下的强大泛化能力。

ABSTRACT

Well-annotated medical images are costly and sometimes even impossible to acquire, hindering landmark detection accuracy to some extent. Semi-supervised learning alleviates the reliance on large-scale annotated data by exploiting the unlabeled data to understand the population structure of anatomical landmarks. The global shape constraint is the inherent property of anatomical landmarks that provides valuable guidance for more consistent pseudo labelling of the unlabeled data, which is ignored in the previously semi-supervised methods. In this paper, we propose a model-agnostic shape-regulated self-training framework for semi-supervised landmark detection by fully considering the global shape constraint. Specifically, to ensure pseudo labels are reliable and consistent, a PCA-based shape model adjusts pseudo labels and eliminate abnormal ones. A novel Region Attention loss to make the network automatically focus on the structure consistent regions around pseudo labels. Extensive experiments show that our approach outperforms other semi-supervised methods and achieves notable improvement on three medical image datasets. Moreover, our framework is flexible and can be used as a plug-and-play module integrated into most supervised methods to improve performance further.

研究动机与目标

• 解决医学影像中解剖学标志点人工标注所需的高昂成本与专业知识要求。
• 通过在半监督学习中利用未标注数据，减少对大规模完全标注数据集的依赖。
• 通过整合先前方法常忽略的全局解剖形状约束，提升自训练过程中伪标签的一致性。
• 开发一种灵活的即插即用模块，可兼容现有基于热力图的监督方法，从而提升性能。

提出的方法

• 使用预训练的主干网络为未标注数据生成初始伪标签。
• 通过将伪标签投影到学习到的形状空间并过滤异常或不一致的预测，利用基于PCA的形状模型对伪标签进行正则化。
• 引入区域注意力损失，促使网络关注伪标签标志点周围的结构一致区域，而非强制聚焦于精确点位。
• 执行迭代自训练：通过形状调节优化伪标签，结合区域注意力损失进行网络优化，并更新网络以更准确预测真实标签。
• 通过在来自不同来源的未标注数据上进行训练，确保在不同成像设备上的鲁棒性。
• 将该框架作为即插即用模块集成到现有的监督标志点检测模型中。

实验结果

研究问题

• RQ1 全局解剖形状约束是否能有效用于提升半监督标志点检测中伪标签的质量？
• RQ2 通过基于PCA的先验进行形状调节，在自训练过程中如何降低伪标签的不一致性？
• RQ3 区域注意力损失在聚焦于标志点周围结构一致区域方面，对特征学习的增强程度如何？
• RQ4 当未标注数据来自与标注数据不同的成像设备时，该方法的泛化能力如何？
• RQ5 在仅使用极少标注数据的情况下，该形状调节自训练方法可实现多大的性能提升？

主要发现

• 与现有半监督方法相比，该方法在3D颅骨数据集上将平均配准误差相对降低了6.3%。
• 在头影测量数据集上，仅使用20个标注样本即实现了16.7%的性能提升，展现出优异的数据效率。
• 消融实验表明，若移除区域注意力损失，误差将从0.8925mm上升至0.9293mm，证实其在性能中的关键作用。
• 若不采用形状调节，误差将从0.8925mm上升至0.9117mm，表明形状先验可稳定自训练过程并提升精度。
• 随着未标注数据量增加，性能持续提升：分别使用150、300和600个未标注样本时，性能增益达到4.4%、5.8%和6.7%。
• 该方法在不同成像设备间具有良好泛化能力，即使未标注数据来自与标注数据不同的扫描仪，也能保持高性能。