[论文解读] Unsupervised Body Part Regression via Spatially Self-ordering Convolutional Neural Networks

Ke Yan, Le Lü+1 more|arXiv (Cornell University)|Jul 12, 2017

Advanced X-ray and CT Imaging参考文献 5被引用 6

一句话总结

本文提出无监督体部回归（UBR），一种新型的基于CNN的方法，通过利用上下切片的排序关系，从无标注的CT体积中学习连续且归一化的体部坐标系。通过自组织过程结合顺序与距离损失函数，UBR在无需任何人工标注的情况下实现了精确的体部回归，优于监督基线方法，并在迁移学习和异常检测等应用中展现出潜力。

ABSTRACT

Automatic body part recognition for CT slices can benefit various medical image applications. Recent deep learning methods demonstrate promising performance, with the requirement of large amounts of labeled images for training. The intrinsic structural or superior-inferior slice ordering information in CT volumes is not fully exploited. In this paper, we propose a convolutional neural network (CNN) based Unsupervised Body part Regression (UBR) algorithm to address this problem. A novel unsupervised learning method and two inter-sample CNN loss functions are presented. Distinct from previous work, UBR builds a coordinate system for the human body and outputs a continuous score for each axial slice, representing the normalized position of the body part in the slice. The training process of UBR resembles a self-organization process: slice scores are learned from inter-slice relationships. The training samples are unlabeled CT volumes that are abundant, thus no extra annotation effort is needed. UBR is simple, fast, and accurate. Quantitative and qualitative experiments validate its effectiveness. In addition, we show two applications of UBR in network initialization and anomaly detection.

研究动机与目标

• 为解决深度学习在医学图像分析中缺乏标注数据的问题，特别是CT扫描中的体部识别问题。
• 利用CT体积中固有的上下排序特性作为自监督信号，实现在无人工标注情况下的训练。
• 开发一种连续回归器，为每一切片输出其在身体上下轴上的归一化位置坐标，实现精细的解剖定位。
• 展示UBR在下游任务中的实用性，例如基于病变检测的迁移学习和CT扫描中的异常检测。
• 建立一种简单、快速且准确的无监督方法，避免依赖大规模标注数据集。

提出的方法

• UBR使用带有ImageNet预训练权重（如VGG-16或AlexNet）的CNN架构进行特征提取。
• 在全局平均池化之前添加一个自定义的Conv6层，包含512 × 1 × 1个滤波器和ReLU激活函数，以学习判别性特征。
• 网络为每个轴向CT切片输出一个连续得分，表示其在身体上下轴上的归一化位置。
• 使用两种无监督损失函数：顺序损失强制得分随切片索引单调递增，距离损失强制得分差与空间距离成比例。
• 训练以小批量方式进行，每批包含g个体积，每个个体积贡献m个等距切片，随机采样起始切片j和间隔k。
• 自组织过程源于切片间的局部关系，无需监督即可形成全局坐标系。

实验结果

研究问题

• RQ1 深度CNN能否仅利用切片排序作为监督信号，从未标注的CT体积中学习到连续且归一化的体部坐标系？
• RQ2 所提出的多切片切间损失策略在回归精度方面，与单对或Siamese类方法相比如何？
• RQ3 UBR能否有效用于初始化下游医学图像任务（如病变检测）的深度学习模型？
• RQ4 UBR能否通过分析切片得分轨迹的偏离，检测异常（如扫描伪影或大病灶）？
• RQ5 无手动标注是否显著降低训练成本，同时保持或提升性能？

主要发现

• UBR在性能上优于需要额外88个体积进行微调的监督基线方法，证明了无监督自组织的有效性。
• 顺序损失与距离损失的结合显著提升了回归精度，尤其在每组切片数m ≤ 12时效果更明显。
• 在基于Faster R-CNN的病变检测任务中，使用UBR初始化的网络初始检测召回率达到74.82%，优于仅使用ImageNet预训练的初始化方法（73.84%）。
• 基于UBR的异常检测方法能成功识别出具有非单调得分曲线的异常CT体积，包括存在腹水或扫描方向错误的病例，其切片索引与得分之间的相关性较低（r < 0.99）。
• 该方法对不同的扫描范围和切片间隔具有鲁棒性，因其学习的是相对空间关系而非绝对索引。
• UBR框架简单、快速且准确，无需人工标注，适用于网络初始化和异常检测等应用。