[论文解读] TUNA-Net: Task-oriented UNsupervised Adversarial Network for Disease Recognition in Cross-Domain Chest X-rays

Yuxing Tang, Youbao Tang+3 more|arXiv (Cornell University)|Aug 21, 2019

COVID-19 diagnosis using AI参考文献 18被引用 4

一句话总结

TUNA-Net 是一种面向任务的无监督对抗网络，通过在循环一致性图像到图像翻译过程中保留类别特定语义，实现了胸部X光片中的跨域肺炎识别。其在儿科X光片上的AUC达到96.3%，几乎与使用完全监督模型在目标域上获得的98.1% AUC相当，且无需目标域标签。

ABSTRACT

In this work, we exploit the unsupervised domain adaptation problem for radiology image interpretation across domains. Specifically, we study how to adapt the disease recognition model from a labeled source domain to an unlabeled target domain, so as to reduce the effort of labeling each new dataset. To address the shortcoming of cross-domain, unpaired image-to-image translation methods which typically ignore class-specific semantics, we propose a task-driven, discriminatively trained, cycle-consistent generative adversarial network, termed TUNA-Net. It is able to preserve 1) low-level details, 2) high-level semantic information and 3) mid-level feature representation during the image-to-image translation process, to favor the target disease recognition task. The TUNA-Net framework is general and can be readily adapted to other learning tasks. We evaluate the proposed framework on two public chest X-ray datasets for pneumonia recognition. The TUNA-Net model can adapt labeled adult chest X-rays in the source domain such that they appear as if they were drawn from pediatric X-rays in the unlabeled target domain, while preserving the disease semantics. Extensive experiments show the superiority of the proposed method as compared to state-of-the-art unsupervised domain adaptation approaches. Notably, TUNA-Net achieves an AUC of 96.3% for pediatric pneumonia classification, which is very close to that of the supervised approach (98.1%), but without the need for labels on the target domain.

研究动机与目标

• 解决将模型从已标注源域（如成人X光片）迁移到未标注目标域（如儿科X光片）时医学图像分类中的域偏移问题。
• 克服现有无监督域自适应方法在图像翻译过程中无法保留类别特定病灶语义的局限性。
• 开发一种框架，在跨域图像翻译过程中保持低层次图像细节、中层次特征和高层次语义内容，以支持下游疾病识别。
• 实现在无需对目标数据进行人工标注的前提下，有效识别目标域中的疾病，从而减轻临床标注负担。

提出的方法

• 提出一种基于循环一致性生成对抗网络（Cycle-GAN变体）的框架，结合面向任务的判别性训练组件，实现源域与目标域的对齐。
• 集成类别感知语义约束模块，利用源域标签指导图像翻译，同时保留疾病特异性内容。
• 训练一种联合优化框架，同时最小化域差异、从翻译图像中重建真实图像，并正则化跨域的中层次特征。
• 采用双路径分类头：一个用于源域（带标签），一个用于目标域（与合成图像端到端联合训练），实现在线适应。
• 引入特征构建损失，对齐真实与合成目标图像之间的中层次特征，提升泛化能力。
• 应用对抗训练，确保生成的目标域图像在解剖结构上逼真且语义上忠实于原始病灶模式。

实验结果

研究问题

• RQ1 无监督域自适应方法在医学图像跨域图像翻译过程中能否保留类别特定的疾病语义？
• RQ2 在图像翻译过程中引入源域标签，对未标注目标域上的下游疾病分类性能有何影响？
• RQ3 具有任务特定约束的循环一致性GAN框架在跨域胸部X光片肺炎识别中，相较于最先进无监督域自适应方法，能多大程度上实现性能超越？
• RQ4 与离线训练或消融组件相比，将目标分类器与翻译网络进行端到端联合训练是否能提升性能？

主要发现

• TUNA-Net 在儿科胸部X光片肺炎分类任务中达到96.3%的AUC，与在目标域标签上训练的完全监督模型（98.1% AUC）非常接近。
• 在相同设置下，该模型优于最先进无监督域自适应方法，如ADDA（91.8% AUC）和CyCADA（93.5% AUC）。
• 消融研究显示，目标分类器的在线端到端训练是最重要的组件，对性能提升贡献最大。
• 引入特征构建损失以及从合成目标图像中重建源图像，显著增强了模型的鲁棒性与泛化能力。
• 定性结果表明，TUNA-Net 在翻译过程中保留了病理性特征（如肺段实变），而Cycle-GAN和CyCADA常会模糊或丢失此类细节。
• TUNA-Net 生成的图像在解剖结构上逼真且语义上忠实于原始输入，尤其在保留疾病内容方面表现优异。