[论文解读] Semi-supervised Medical Image Segmentation via Geometry-aware Consistency Training

Zihang Liu, Chunhui Zhao|arXiv (Cornell University)|Feb 12, 2022

Medical Imaging and Analysis被引用 5

一句话总结

本文提出了一种几何感知的一致性训练框架，用于半监督医学图像分割，通过利用几何约束和双视角特征学习，增强了模型在边界区域的鲁棒性。通过采用指数加权策略突出难以分割的边界区域，并利用双视角网络降低不确定性，该方法在左心房基准数据集上仅使用10%的标注数据时，Dice分数比完全监督模型高出8.7%。

ABSTRACT

The performance of supervised deep learning methods for medical image segmentation is often limited by the scarcity of labeled data. As a promising research direction, semi-supervised learning addresses this dilemma by leveraging unlabeled data information to assist the learning process. In this paper, a novel geometry-aware semi-supervised learning framework is proposed for medical image segmentation, which is a consistency-based method. Considering that the hard-to-segment regions are mainly located around the object boundary, we introduce an auxiliary prediction task to learn the global geometric information. Based on the geometric constraint, the ambiguous boundary regions are emphasized through an exponentially weighted strategy for the model training to better exploit both labeled and unlabeled data. In addition, a dual-view network is designed to perform segmentation from different perspectives and reduce the prediction uncertainty. The proposed method is evaluated on the public left atrium benchmark dataset and improves fully supervised method by 8.7% in Dice with 10% labeled images, while 4.3% with 20% labeled images. Meanwhile, our framework outperforms six state-of-the-art semi-supervised segmentation methods.

研究动机与目标

• 解决基于深度学习的分割任务中医学图像标注数据有限的挑战。
• 通过在半监督设置下有效利用未标注数据，提升模型泛化能力。
• 通过引入几何先验，提升模糊边界区域的分割精度。
• 通过双视角网络架构降低预测不确定性。
• 在医学图像分割基准上超越现有的最先进半监督方法。

提出的方法

• 引入辅助的几何预测头，从标注数据和未标注数据中同时学习全局形状和边界结构。
• 应用指数加权损失策略，在训练过程中强调边界区域，以提升对难以识别结构的分割性能。
• 采用双视角网络，从两种不同的数据增强版本生成预测，以强化一致性并降低不确定性。
• 实施基于一致性的训练目标，鼓励同一输入在不同增强下预测结果的一致性。
• 利用从预测分割图中提取的几何约束，指导空间结构的学习，改善边界定位。
• 将标注数据上的监督损失与未标注数据上的一致性损失相结合，联合优化两个目标。

实验结果

研究问题

• RQ1 几何先验是否能提升在标注最模糊的边界区域的分割性能？
• RQ2 在标注数据有限的情况下，几何感知监督的一致性训练在多大程度上提升了模型泛化能力？
• RQ3 双视角网络在多大程度上减少了半监督医学图像分割中的预测不确定性？
• RQ4 在低数据场景下，引入几何结构是否比标准一致性训练带来更好的性能？
• RQ5 所提出方法在医学影像基准上与最先进半监督分割方法相比表现如何？

主要发现

• 在左心房数据集中，仅使用10%的训练数据时，该方法的Dice分数比完全监督模型高出8.7%。
• 当使用20%的标注数据时，该方法在Dice分数上仍比完全监督基线模型高出4.3%。
• 所提出的框架在基准数据集上优于六种最先进半监督分割方法。
• 几何感知的一致性训练有效降低了边界区域的不确定性，从而实现更精确的分割。
• 双视角网络设计有助于提升不同增强下预测结果的一致性和鲁棒性。
• 针对边界强调的指数加权策略显著提升了对难以分割结构的性能。