[论文解读] Semi-Supervised Learning And Graph Cuts For Consensus Based Medical Image Segmentation

Dwarikanath Mahapatra|arXiv (Cornell University)|Dec 7, 2016

Colorectal Cancer Screening and Detection被引用 1

一句话总结

本文提出了一种基于图割和半监督学习的框架，从专家标注中推导出共识医学图像分割结果，通过自一致性评分避免局部极小值，并实现全局优化。与基于迭代EM的方法相比，该方法在合成图像、克罗恩病图像和视网膜图像上实现了更准确、更一致的分割结果。

ABSTRACT

Medical image segmentation requires consensus ground truth segmentations to be derived from multiple expert annotations. A novel approach is proposed that obtains consensus segmentations from experts using graph cuts (GC) and semi supervised learning (SSL). Popular approaches use iterative Expectation Maximization (EM) to estimate the final annotation and quantify annotator's performance. Such techniques pose the risk of getting trapped in local minima. We propose a self consistency (SC) score to quantify annotator consistency using low level image features. SSL is used to predict missing annotations by considering global features and local image consistency. The SC score also serves as the penalty cost in a second order Markov random field (MRF) cost function optimized using graph cuts to derive the final consensus label. Graph cut obtains a global maximum without an iterative procedure. Experimental results on synthetic images, real data of Crohn's disease patients and retinal images show our final segmentation to be accurate and more consistent than competing methods.

研究动机与目标

• 为解决迭代期望最大化（EM）在共识分割中的局限性，即存在收敛至局部极小值的风险。
• 提升从多个专家标注中推导出的共识分割的一致性与准确性。
• 通过半监督学习整合低层次图像特征与全局上下文，以预测缺失的标注。
• 将自一致性（SC）评分作为惩罚项，嵌入二阶马尔可夫随机场（MRF）中，通过图割实现全局优化。
• 通过利用图割实现全局最优解，避免迭代优化步骤。

提出的方法

• 基于低层次图像特征提出一种自一致性（SC）评分，用于量化标注者的一致性。
• 采用半监督学习方法，利用全局图像特征与局部一致性，预测缺失的专家标注。
• 将SC评分作为惩罚项，整合进二阶马尔可夫随机场（MRF）的代价函数中。
• 利用图割优化MRF，获得无需迭代优化的全局最优分割结果。
• 利用最终的MRF代价函数，通过单次优化步骤推导出共识分割结果。
• 结合局部图像一致性与全局特征学习，以提升标注预测与共识分割的准确性。

实验结果

研究问题

• RQ1 基于低层次特征的自一致性评分能否提升医学图像中共识分割的可靠性？
• RQ2 在多标注者设置下，半监督学习如何增强对缺失专家标注的预测能力？
• RQ3 使用图割优化带有基于SC惩罚的二阶MRF，是否能获得优于迭代EM的共识分割结果？
• RQ4 与传统基于EM的方法相比，所提方法在多大程度上降低了对局部极小值的敏感性？
• RQ5 将局部一致性与全局特征相结合，对多样化医学图像任务中的分割准确率与一致性有何影响？

主要发现

• 所提方法在准确率与一致性方面均优于竞争性的基于迭代EM的方法。
• 图割方法提供了无需迭代优化的全局最优解，避免了收敛至局部极小值的问题。
• 自一致性评分能有效利用低层次图像特征量化标注者的可靠性。
• 半监督学习通过结合全局图像上下文与局部一致性，提升了缺失标注的预测性能。
• 该方法在合成图像、克罗恩病患者扫描图像以及视网膜图像上均表现出优越性能。
• 在MRF代价函数中引入SC作为惩罚项，通过改进正则化显著提升了分割质量。