[论文解读] Semi-supervised learning towards automated segmentation of PET images with limited annotations: Application to lymphoma patients

Fereshteh Yousefirizi, Isaac Shiri+10 more|arXiv (Cornell University)|Dec 19, 2022

Medical Imaging Techniques and Applications被引用 4

一句话总结

本研究提出了一种半监督3D U-Net框架，结合模糊C均值（FCM）和马尔福-夏普（MS）损失函数，以实现淋巴瘤患者PET图像分割的自动化，且仅需最少的专家标注。表现最佳的方法为RFCM+alpha*LFCM（alpha=0.3），Dice分数达到0.69 ± 0.03，优于所有监督及其它半监督方法，显示出显著潜力，可大幅减少临床工作流程中的手动分割工作量。

ABSTRACT

The time-consuming task of manual segmentation challenges routine systematic quantification of disease burden. Convolutional neural networks (CNNs) hold significant promise to reliably identify locations and boundaries of tumors from PET scans. We aimed to leverage the need for annotated data via semi-supervised approaches, with application to PET images of diffuse large B-cell lymphoma (DLBCL) and primary mediastinal large B-cell lymphoma (PMBCL). We analyzed 18F-FDG PET images of 292 patients with PMBCL (n=104) and DLBCL (n=188) (n=232 for training and validation, and n=60 for external testing). We employed FCM and MS losses for training a 3D U-Net with different levels of supervision: i) fully supervised methods with labeled FCM (LFCM) as well as Unified focal and Dice loss functions, ii) unsupervised methods with Robust FCM (RFCM) and Mumford-Shah (MS) loss functions, and iii) Semi-supervised methods based on FCM (RFCM+LFCM), as well as MS loss in combination with supervised Dice loss (MS+Dice). Unified loss function yielded higher Dice score (mean +/- standard deviation (SD)) (0.73 +/- 0.03; 95% CI, 0.67-0.8) compared to Dice loss (p-value<0.01). Semi-supervised (RFCM+alpha*LFCM) with alpha=0.3 showed the best performance, with a Dice score of 0.69 +/- 0.03 (95% CI, 0.45-0.77) outperforming (MS+alpha*Dice) for any supervision level (any alpha) (p<0.01). The best performer among (MS+alpha*Dice) semi-supervised approaches with alpha=0.2 showed a Dice score of 0.60 +/- 0.08 (95% CI, 0.44-0.76) compared to another supervision level in this semi-supervised approach (p<0.01). Semi-supervised learning via FCM loss (RFCM+alpha*LFCM) showed improved performance compared to supervised approaches. Considering the time-consuming nature of expert manual delineations and intra-observer variabilities, semi-supervised approaches have significant potential for automated segmentation workflows.

研究动机与目标

• 为解决淋巴瘤患者18F-FDG PET扫描中手动肿瘤分割耗时且结果不一致的问题。
• 通过在医学图像分割中应用半监督学习，减少对大量专家标注数据的依赖。
• 在不同监督水平下，评估并比较不同损失函数（FCM、MS及统一焦点/Dice）的性能。
• 识别在有限标注数据下实现最大分割准确率的最优半监督配置。
• 开发一种适用于弥漫性大B细胞淋巴瘤（DLBCL）和原发性纵隔B细胞淋巴瘤（PMBCL）的稳健、自动化分割流程。

提出的方法

• 采用3D U-Net架构，结合标注数据与伪标签数据进行训练，以实现半监督学习。
• 使用模糊C均值（FCM）和鲁棒FCM（RFCM）作为无监督损失函数，引导图像特征聚类。
• 应用马尔福-夏普（MS）损失函数，以在分割边界处强制实现分段平滑性。
• 统一损失函数结合焦点损失与Dice损失，提升了训练稳定性和分割性能。
• 半监督训练将RFCM与监督Dice损失结合（RFCM + alpha*LFCM），以及MS与Dice损失结合（MS + alpha*Dice），其中超参数alpha用于控制监督权重的平衡。
• 模型在292名DLBCL与PMBCL患者中的60个外部测试病例上进行评估，以Dice分数为主要指标。

实验结果

研究问题

• RQ1 在标注数据有限的情况下，结合FCM与MS损失函数的半监督学习是否能显著提升PET图像分割的准确性？
• RQ2 将鲁棒FCM（RFCM）与监督损失函数结合，与纯监督或无监督方法相比表现如何？
• RQ3 在最大化分割性能的前提下，监督与无监督损失组件之间的最优平衡（通过超参数alpha控制）是什么？
• RQ4 在半监督设置中，统一焦点损失与Dice损失函数是否优于标准Dice损失？
• RQ5 所提出的方法是否能降低观察者间差异并减少临床淋巴瘤PET成像中的手动勾画时间？

主要发现

• 统一焦点损失与Dice损失函数的Dice分数为0.73 ± 0.03，显著高于标准Dice损失（p < 0.01），表明训练稳定性与性能均得到提升。
• 采用RFCM + 0.3*LFCM的半监督方法取得最佳整体性能，Dice分数为0.69 ± 0.03（95%置信区间：0.45–0.77），显著优于所有其他配置（p < 0.01）。
• MS + 0.2*Dice的半监督方法Dice分数为0.60 ± 0.08（95%置信区间：0.44–0.76），在所有alpha值下均劣于RFCM+LFCM（p < 0.01）。
• 结合RFCM与标注数据的半监督学习（RFCM+alpha*LFCM）优于完全监督方法，证明在低数据环境下伪标签具有显著价值。
• 所提出方法显著降低了对专家标注数据的依赖，同时保持了高分割准确性，表明其具有强大的临床适用性。
• 结果表明，将鲁棒的无监督聚类（RFCM）与监督损失函数结合，是肿瘤自动分割在肿瘤学PET成像中的一种有前景策略。