【医学图像分割】读论文系列 1
文章目录
【医学图像分割】读论文系列 1TitleIntroductionAbstractKeywordMethodExperimentConclusionTitle
标题：Noisy Labels are Treasure: Mean-Teacher-Assisted Confident Learning for Hepatic Vessel Segmentation
来源：MICCAI
链接：/10.1007/978-3-030-87193-2_1
Introduction
目前，由于CT影像具有病理变化丰富、低对比度、复杂的血管形态以及噪声等特点，人工标注CT影像是个非常昂贵的工作，这也导致了在肝脏血管分割中，缺少高质量的像素级别的数据集。而当前的深度学习模型大多是基于数据驱动的模型，大部分已有的数据集都是无标签或者错误标签的数据，这些数据集称为“噪声”数据集。噪声数据集可能会对网络的学习进行负面指导，因此，如何稳健地利用好这些大量的低质量噪声数据集的额外信息，是当前的一个巨大挑战。
Abstract
肝脏血管分割存在两个问题 ①目前基于数据驱动的学习方法如果没有足够的高质量注释数据，通常会遇到欠拟合等训练不足的问题；②另一方面 低质量的数据会混淆网络，导致不良的性能下降。基于上述问题，本文提出了一种新的框架，即mean-teacher-assisted confident learning framework，可以利用噪声标注数据。
具体而言，weight-average teacher模型加以第三方辅助的自适应confident learning，通过progressive pixel-wise soft-correction，可以将额外的噪声数据集“变废为宝”，从而对网络进行有效指导。
Keyword
肝脏血管分割；噪声标签；置信学习
Method
使用的数据集： Set-HQ（高质量）数据集：3DIRCADb 含有20张高质量肝脏和血管标注的数据 Set-LQ（低质量）数据集：MSD8 包含443张CT扫描图像，但是标注质量较低，约有65.5%未标记的血管像素，8.5%的像素被误标记为血管在本文的实验中，高质量数据集被随机划分，十样本用以训练模型，十样本用以测试，而低质量数据集全部用来训练（因为它们不适合做无偏估计）
肝脏CT图像预处理
①基于肝脏分割掩模对图像进行mask，并裁剪到肝脏区域。（MSD8数据集的肝脏掩模是用H-DenseUNet模型获得的），所有裁剪后的图像调整为320320D，其中D为切片号②将每个像素的intensity截断到【100，250】HU范围内，然后进行Min-Max归一化③引入基于Sato tubeness的过滤器作为辅助信息，通过计算Hessian矩阵的特征向量，得到图像与tubes的相似度，从而以高概率增强潜在的血管区域。通过联合考虑图像和概率图中的信息，网络可以感知到更鲁棒的血管信号。
模型框架
结构图：
Mean-Teacher Model backbone：U-Net训练步骤ttt中，学生模型的权重表示为θt\theta_{t}θt,老师模型权重为θt′\theta_{t}^{\prime}θt′，老师模型的权重采用EMA策略来更新，具体的公式为θt′=αθt−1′+(1−α)θt\theta_{t}^{\prime}=\alpha \theta_{t-1}^{\prime}+(1-\alpha) \theta_{t}θt′=αθt−1′+(1−α)θt，α\alphaα是EMA衰减权重，被设置为0.99。通过最小化Set-HQ上的损失Ls\mathcal{L}_{s}Ls以及两个数据集上学生模型和教师模型预测之间的一致性损失（无监督的）Ls\mathcal{L}_{s}Ls来优化学生模型。 Self-Denoised Process
上述MT模型只能利用图像信息，而一些有噪声标签的潜在有用信息仍未被利用，为了进一步利用LQ数据集而不受标签噪声的影响，本文提出了一种渐进的自去噪过程，可以分为如下几步： ①通过自适应的CL来识别像素级别的标签错误。首先，估计噪声标签和真实标签的联合分布；然后使用Prune By Class(PBC)方法来识别标签噪声。②提取精炼Set-LQ中的噪声标签，提供有益的监督。引入the Smoothly Self-Denoising Module (SSDM)做软矫正。③自循环更新。通过引入的SSDM模块，构建自循环框架，逐步用去噪标签替代Set-LQ中的噪声标签。 Loss function 本文的loss函数采用如下公式计算： L=Ls+λcLc+λclLcl\mathcal{L}=\mathcal{L}_{s}+\lambda_{c} \mathcal{L}_{c}+\lambda_{c l} \mathcal{L}_{c l}L=Ls+λcLc+λclLcl其中，Ls\mathcal{L}_{s}Ls是在Set-HQ上的有监督损失，Lc\mathcal{L}_{c}Lc是在两个数据集上的扰动一致性损失，Lcl\mathcal{L}_{c l}Lcl是辅助的自去噪CL在Set-LQ上的损失。总的损失函数是这三者的加权和。
