[论文解读] Unsupervised domain adaptation in brain lesion segmentation with adversarial networks

Konstantinos Kamnitsas, Christian F. Baumgartner+9 more|arXiv (Cornell University)|Dec 28, 2016

Domain Adaptation and Few-Shot Learning参考文献 18被引用 7

一句话总结

本文提出了一种用于脑部病变分割的无监督域自适应方法，利用对抗性神经网络学习域不变特征，而无需目标域的标注。通过将分割网络与一个试图分类输入特征来源（源域或目标域）的域判别器进行对抗性训练，并引入多连接对抗性训练，该方法在多扫描仪MRI数据集上的分割准确率接近于有监督域自适应基线方法。

ABSTRACT

Significant advances have been made towards building accurate automatic segmentation systems for a variety of biomedical applications using machine learning. However, the performance of these systems often degrades when they are applied on new data that differ from the training data, for example, due to variations in imaging protocols. Manually annotating new data for each test domain is not a feasible solution. In this work we investigate unsupervised domain adaptation using adversarial neural networks to train a segmentation method which is more invariant to differences in the input data, and which does not require any annotations on the test domain. Specifically, we learn domain-invariant features by learning to counter an adversarial network, which attempts to classify the domain of the input data by observing the activations of the segmentation network. Furthermore, we propose a multi-connected domain discriminator for improved adversarial training. Our system is evaluated using two MR databases of subjects with traumatic brain injuries, acquired using different scanners and imaging protocols. Using our unsupervised approach, we obtain segmentation accuracies which are close to the upper bound of supervised domain adaptation.

研究动机与目标

• 解决在不同成像协议或扫描仪的数据上部署模型时生物医学图像分割性能下降的问题。
• 开发一种无需目标域人工标注即可在不同域之间泛化的模型。
• 研究3D医学图像分割中对抗性训练在域不变表征学习中的应用。
• 评估适应深度和适应强度对分割性能的影响。

提出的方法

• 基于3D U-Net的分割网络与一个域判别器进行对抗性训练，该判别器试图分类输入特征是否源自源域或目标域。
• 域判别器连接到分割网络的多个层级（多连接对抗性训练），以在分层特征表示上强制实现域不变性。
• 通过反向传播对抗梯度并使用逐渐增加权重因子α的域对抗损失来执行对抗性训练。
• 该方法使用梯度反转层，使分割网络能够学习最小化域分类准确率同时最大化分割性能的特征。
• 在两个包含不同扫描仪和协议的多中心MRI数据集上评估该方法，使用Dice分数及其他分割指标。
• 系统仅使用源域标注数据和目标域未标注数据进行端到端训练，模拟多中心研究中的实际部署场景。

实验结果

研究问题

• RQ1 在无目标域标注的情况下，对抗性训练能否有效减少脑部病变分割中的域偏移？
• RQ2 特征适应的深度（即判别器连接到网络的哪些层）如何影响分割性能？
• RQ3 对抗性适应的最优强度（由α_max控制）是什么，以在域不变性和信息保留之间取得平衡？
• RQ4 与单层适应相比，多连接对抗性训练在分割准确率和鲁棒性方面表现如何？
• RQ5 在多扫描仪神经影像设置中，无监督域自适应在多大程度上可以达到有监督域自适应的性能？

主要发现

• 所提出的无监督域自适应方法在目标域上实现了62.7%的Dice分数，非常接近有监督域自适应的上限（本研究中为63.2%）。
• 多连接对抗性训练，特别是连接到深层网络层（如L(2,4,6,8,10)）时，显著减少了过度分割现象，并提高了精确率和Dice分数，优于浅层适应。
• 该方法对广泛的适应强度范围（α_max ∈ [0.05, 1.0]）具有鲁棒性，性能在此范围内保持稳定，表明中等至强适应不会导致性能下降。
• 适应浅层会导致过度分割（召回率上升但精确率下降），表明浅层特征更具源域特异性，不适合用于域不变学习。
• 该系统优于未适应的模型和单层对抗基线模型，证明了分层、多连接域自适应的优势。
• 结果表明，无需目标域标签即可有效学习域不变性，使该方法非常适用于多中心神经影像研究。