[论文解读] Y-net: Biomedical Image Segmentation and Clustering

Sharmin Pathan, Anant Tripathi|arXiv (Cornell University)|Apr 12, 2020

AI in cancer detection参考文献 7被引用 11

一句话总结

本文提出 Y-net，一种统一的深度学习架构，可联合执行生物医学图像分割与无监督聚类，用于疾病严重程度分析。通过在分割头与 K-means 聚类头之间共享自编码器编码器的特征，Y-net 在 ISIC 2018 和 Cityscapes 数据集上实现了最先进性能，参数量不足 UNet 和 DeepLab 的一半，实现了高效、低成本且自动化的诊断支持。

ABSTRACT

We propose a deep clustering architecture alongside image segmentation for medical image analysis. The main idea is based on unsupervised learning to cluster images on severity of the disease in the subject's sample, and this image is then segmented to highlight and outline regions of interest. We start with training an autoencoder on the images for segmentation. The encoder part from the autoencoder branches out to a clustering node and segmentation node. Deep clustering using Kmeans clustering is performed at the clustering branch and a lightweight model is used for segmentation. Each of the branches use extracted features from the autoencoder. We demonstrate our results on ISIC 2018 Skin Lesion Analysis Towards Melanoma Detection and Cityscapes datasets for segmentation and clustering. The proposed architecture beats UNet and DeepLab results on the two datasets, and has less than half the number of parameters. We use the deep clustering branch for clustering images into four clusters. Our approach can be applied to work with high complexity datasets of medical imaging for analyzing survival prediction for severe diseases or customizing treatment based on how far the disease has propagated. Clustering patients can help understand how binning should be done on real valued features to reduce feature sparsity and improve accuracy on classification tasks. The proposed architecture can provide an early diagnosis and reduce human intervention on labeling as it can become quite costly as the datasets grow larger. The main idea is to propose a one shot approach to segmentation with deep clustering.

研究动机与目标

• 开发一种统一的深度学习框架，同时执行医学影像的图像分割与无监督聚类。
• 通过基于疾病严重程度的图像自监督聚类，减少对昂贵人工标注标签的依赖。
• 在提升分割性能的同时，利用共享特征表示将图像分组为临床上有意义的聚类。
• 通过识别医学图像中的疾病进展模式，支持早期诊断与个性化治疗规划。
• 通过使用轻量级分割头和共享编码器，最小化模型复杂度，使参数数量低于现有架构。

提出的方法

• 端到端训练一个自编码器，以学习紧凑的图像表征，其中编码器作为共享主干网络。
• 将编码器的特征分为两个分支：一个用于分割，采用轻量级解码器；另一个用于聚类，基于潜在特征进行 K-means 聚类。
• 聚类分支利用自编码器的瓶颈特征，根据疾病严重程度将图像划分为四个聚类。
• 分割分支使用浅层解码器重建输入图像，以优化像素级准确率。
• 整个网络以联合方式训练，同时优化分割与聚类目标。
• 该架构在 ISIC 2018 和 Cityscapes 数据集上进行评估，展示了在减少参数量的同时性能提升。

实验结果

研究问题

• RQ1 单一深度学习模型能否在生物医学图像中有效同时执行图像分割与无监督聚类？
• RQ2 与独立训练模型相比，分割与聚类的联合学习在性能上如何提升？
• RQ3 共享特征学习在多大程度上可降低模型复杂度，同时保持或提升准确性？
• RQ4 基于学习特征的聚类是否有助于对连续临床特征进行分箱，并减少下游分类任务中的稀疏性？
• RQ5 所提出的单次训练方法是否能减少医学图像分析中对昂贵人工标注的需求？

主要发现

• Y-net 在 ISIC 2018 和 Cityscapes 数据集上的分割性能均优于 UNet 和 DeepLab。
• 该模型以少于基线模型一半的参数量实现了更优结果。
• 深度聚类分支成功根据疾病严重程度将图像划分为四个临床相关的聚类。
• 共享编码器架构实现了高效的特征复用，降低了模型复杂度与推理成本。
• 该框架支持早期诊断，可应用于高复杂度的医学影像任务，用于生存预测与治疗个性化。
• 该方法通过实现无监督聚类，减少了对人工标注的依赖，这在数据集规模不断扩大的背景下尤为重要。