[论文解读] SSASS: Semi-Supervised Approach for Stenosis Segmentation

In Kyu Lee, Junsup Shin+3 more|arXiv (Cornell University)|Nov 17, 2023

Cardiac Imaging and Diagnostics被引用 4

一句话总结

本文提出SSASS，一种用于X射线血管造影冠状动脉狭窄分割的半监督学习框架，结合了投影数据增强与伪标签技术。通过利用未标注的血管图像生成高质量伪标签，并仅训练单一YOLOv8m模型（无需模型集成），该方法在ARCADE挑战测试集上实现了0.536的平均F1分数——超越了完全监督基线模型，表现优异。

ABSTRACT

Coronary artery stenosis is a critical health risk, and its precise identification in Coronary Angiography (CAG) can significantly aid medical practitioners in accurately evaluating the severity of a patient's condition. The complexity of coronary artery structures combined with the inherent noise in X-ray images poses a considerable challenge to this task. To tackle these obstacles, we introduce a semi-supervised approach for cardiovascular stenosis segmentation. Our strategy begins with data augmentation, specifically tailored to replicate the structural characteristics of coronary arteries. We then apply a pseudo-label-based semi-supervised learning technique that leverages the data generated through our augmentation process. Impressively, our approach demonstrated an exceptional performance in the Automatic Region-based Coronary Artery Disease diagnostics using x-ray angiography imagEs (ARCADE) Stenosis Detection Algorithm challenge by utilizing a single model instead of relying on an ensemble of multiple models. This success emphasizes our method's capability and efficiency in providing an automated solution for accurately assessing stenosis severity from medical imaging data.

研究动机与目标

• 通过利用半监督学习解决冠状动脉狭窄分割中标注数据有限的挑战。
• 通过针对冠状动脉形态设计的数据增强策略，提升模型在狭窄检测中的泛化能力与鲁棒性。
• 在不依赖模型集成的前提下实现高性能的狭窄分割，优化推理速度与内存效率。
• 开发一种可扩展、高效且准确的自动化解决方案，用于临床X射线血管造影中的定量狭窄评估。

提出的方法

• 采用投影变换——仿射变换、透视变换、旋转、缩放与剪切——作为数据增强方法，以模拟三维冠状动脉结构，提升训练数据的多样性。
• 应用基于伪标签的半监督学习策略，利用预训练的YOLOv8m模型在未标注的血管分割数据集上生成伪标签。
• 将原始的狭窄标注数据集与伪标签化的血管数据集合并，训练一个最终的统一YOLOv8m模型，避免使用模型集成。
• 通过置信度阈值以及数据增强超参数（如概率、范围）控制伪标签质量，防止过拟合。
• 通过平衡数据多样性与标签质量优化训练过程，避免使用软标签或复杂预训练策略，后者表现较差。
• 选择YOLOv8m作为主干网络模型，因其在分割任务中兼具高效性与强性能，支持实时推理。

实验结果

研究问题

• RQ1 针对冠状动脉解剖结构定制的投影数据增强是否能提升狭窄分割中的泛化能力？
• RQ2 对未标注血管造影片段进行伪标签化是否能在不增加额外标注的情况下提升模型性能？
• RQ3 单一深度学习模型能否在保持高推理效率的前提下，超越集成方法在狭窄检测中的表现？
• RQ4 伪标签数据的整合如何影响真实临床挑战中狭窄分割的F1分数与鲁棒性？

主要发现

• 半监督模型在ARCADE测试集上实现了0.536的平均F1分数，优于完全监督的YOLOv8m基线模型（0.520）。
• 性能提升归因于模型通过伪标签血管图像接触到了更具多样性与代表性数据集。
• 尽管部分情况下伪标签质量较低，该半监督方法仍表现出更优的狭窄区域检测能力，显著减少假阴性。
• 该方法在ARCADE狭窄检测算法挑战中未使用模型集成即取得最佳性能，凸显其高效性与可扩展性。
• 简单的训练策略——如在标注数据与伪标签数据上联合训练——优于复杂替代方案（如预训练或软标签使用）。
• 降低伪标签置信度阈值虽可加速训练，但增加了过拟合风险，反而降低整体性能。