[论文解读] Towards broader generalization of deep learning methods for multiple sclerosis lesion segmentation.

Reda Abdellah Kamraoui, Vinh‐Thong Ta+4 more|arXiv (Cornell University)|Dec 14, 2020

Brain Tumor Detection and Classification被引用 4

一句话总结

本文提出 DeepLesionBrain (DLB)，一种用于多发性硬化症病灶分割的稳健 3D CNN 集成方法，可在多种临床数据集上实现良好泛化。通过结合分层专业化学习、针对图像质量差异的数据增强，以及紧凑网络的集成，DLB 实现了最先进水平的泛化性能——在仅使用一半模态的情况下，优于先前方法在跨数据集基准上的表现。

ABSTRACT

Recently, segmentation methods based on Convolutional Neural Networks (CNNs) showed promising performance in automatic Multiple Sclerosis (MS) lesions segmentation. These techniques have even outperformed human experts in controlled evaluation condition. However state-of-the-art approaches trained to perform well on highly-controlled datasets fail to generalize on clinical data from unseen datasets. Instead of proposing another improvement of the segmentation accuracy, we propose a novel method robust to domain shift and performing well on unseen datasets, called DeepLesionBrain (DLB). This generalization property results from three main contributions. First, DLB is based on a large ensemble of compact 3D CNNs. This ensemble strategy ensures a robust prediction despite the risk of generalization failure of some individual networks. Second, DLB includes a new image quality data augmentation to reduce dependency to training data specificity (e.g., acquisition protocol). Finally, to learn a more generalizable representation of MS lesions, we propose a hierarchical specialization learning (HSL). HSL is performed by pre-training a generic network over the whole brain, before using its weights as initialization to locally specialized networks. By this end, DLB learns both generic features extracted at global image level and specific features extracted at local image level. At the time of publishing this paper, DLB is among the Top 3 performing published methods on ISBI Challenge while using only half of the available modalities. DLB generalization has also been compared to other state-of-the-art approaches, during cross-dataset experiments on MSSEG'16, ISBI challenge, and in-house datasets. DLB improves the segmentation performance and generalization over classical techniques, and thus proposes a robust approach better suited for clinical practice.

研究动机与目标

• 解决尽管在受控训练数据上表现强劲，但深度学习模型在未见临床 MS 数据集上泛化能力差的问题。
• 通过引入图像质量感知的数据增强，减少对特定扫描协议的依赖。
• 通过分层专业化学习，同时学习全局和局部病灶表征，提升模型鲁棒性。
• 开发一种临床可行的分割方法，在多样化的现实世界影像数据中保持稳定表现。

提出的方法

• DLB 采用紧凑 3D 卷积神经网络的集成，以增强对单个网络失效的预测鲁棒性。
• 在训练过程中应用一种新颖的图像质量数据增强策略，以降低对扫描协议差异的敏感性。
• 分层专业化学习（HSL）首先在全脑上预训练一个通用 3D CNN，然后在局部病灶区域微调专用网络。
• 利用预训练的全局网络权重初始化局部网络，实现将通用脑结构知识迁移至病灶特异性特征。
• 该方法仅使用一半可用的 MRI 模态，却保持高性能，表明其具备更高的数据效率。
• 通过多个专用网络的集成平均，降低方差，并提升在分布外数据上的可靠性。

实验结果

研究问题

• RQ1 与最先进方法相比，深度学习模型能否在多样化的未见临床 MS 数据集上实现更优的泛化性能？
• RQ2 分层专业化学习如何改善 MS 病灶分割的特征表征？
• RQ3 图像质量数据增强在多大程度上可降低模型对特定 MRI 扫描协议的依赖？
• RQ4 紧凑 3D CNN 的集成是否能增强在 MS 病灶分割中对领域偏移的鲁棒性？
• RQ5 一种方法能否仅使用一半可用 MRI 模态，同时保持高性能和泛化能力？

主要发现

• DLB 在 ISBI 2015 MS 病灶分割挑战赛中取得前三名成绩，且仅使用了一半可用的 MRI 模态。
• 在 MSSEG'16、ISBI 挑战赛和内部数据集的跨数据集评估中，DLB 展现出优于经典最先进方法的泛化能力。
• 分层专业化学习策略使模型能够同时学习全局脑背景和局部病灶特异性特征，从而提升鲁棒性。
• 图像质量数据增强显著降低了模型对 MRI 扫描协议差异的敏感性。
• 紧凑 3D CNN 的集成在不同数据集上均提供了稳定的性能提升，并降低了预测方差。
• 即使在训练期间未见过的数据集上测试，DLB 的表现也始终优于基线方法，证实了其强大的泛化能力。