[MICCAI2023] Partial Vessels Annotation-Based Coronary Artery Segmentation论文阅读

论文题目

Partial Vessels Annotation-Based Coronary Artery Segmentation with Self-training and Prototype Learning

论文代码

GitHub - ZhangZ7112/PVA-CAS: The source code of "Partial Vessels Annotation-based Coronary Artery Segmentation with Self-training and Prototype Learning". 有主要模型结构的代码

面对的问题

标记困难：目标区域分散，分支和外部血管边界模糊。

复杂的拓扑：（冠状动脉在不同个体之间存在差异）

主要创新点

• 基于冠状动脉分割挑战和临床诊断特征的部分血管标注（PVA）方法。
• 一种渐进式弱监督学习框架

首先，我们的框架学习血管的局部特征，将这些知识传播到未标记的区域。随后，它利用传播的知识学习全局结构，并纠正传播过程中引入的错误。最后，它利用特征嵌入和特征原型之间的相似性来增强测试输出。在临床数据上的实验证明，我们提出的框架在PVA（24.29％的血管）下优于竞争方法，并在与使用完整标注（100％的血管）的基线模型中的主干连续性方面实现了相当的性能。

解决方法

LFE

Local Feature Extraction Stage

在LFE阶段，我们的假设是标记区域周围的小区域包含有效信息。基于此假设，我们训练了一个轻量级的分割模型Sl，用于在局部学习血管特征，其中以标记区域为中心的小补丁作为输入和输出。通过这种方式，也减少了未标记区域中不准确监督信息的负面影响。

伪标签初始化

在LPU中的伪标签初始化。在训练完成后，Sl将学习到的局部特征知识传播到未标记区域。对于形状为H×W×D的每个图像，Sl的相应输出logit ˆy1 ∈ [0, 1]H×W×D提供了血管分布的完整估计，尽管有一定的近似。同时，PVA标签yPVA ∈ {0, 1}H×W×D提供了关于血管分布的准确信息，但仅在有限程度上。因此，LPU将ˆy1和yPVA整合起来初始化伪标签yPL（公式1），该伪标签将在GSR阶段中使用，并在迭代自训练过程中进行更新。

伪标签初始化的公式如下：

其中，y(t=0)_PL表示迭代次数为0时的伪标签，(h,w,d)表示图像中的像素位置，H×W×D表示图像的尺寸。如果PVA标签中的像素为1，则对应的伪标签为1，否则使用Sl的输出作为伪标签的值。这样初始化的伪标签将在后续的GSR阶段中使用，并在迭代的自训练过程中进行更新。

GSR

Global Structure Reconstruction Stage

GSR阶段主要包括三个部分：1）分割模型Sg用于学习全局的树状结构；2）LPU用于改进伪标签；3）FPA块用于改善测试时的分割结果。

通过初始化（公式1），初始伪标签y(t=0)PL包含了PVA标签的信息以及Sl中的局部特征知识。因此，在这个阶段的开始时，Sg从y(t=0)PL中进行预热学习。之后，Sg的逻辑数被用于在迭代的自训练过程中更新伪标签。

伪标签更新

在LPU中的伪标签更新。这个过程的原则是更可靠的逻辑数logit对应的伪标签分布影响更大。基于这个原则，首先我们计算置信度度量值η(t) ∈ [0, 1]，对应于\hat{y_2}^{(t)}。根据公式2定义，η(t)的值等于标记区域中logit的平均值。这个定义是有意义的，因为在血管区域中期望的logit值为1，在背景区域中为0。越接近期望的logit值，\hat{y_2}^{(t)}置信度度量值η(t)越高。

然后，我们进行质量控制测试，以尽可能避免负面优化。由于置信度度量值η(t)评估了预测的质量，低置信度的预测更容易产生错误，因此我们的质量控制测试会拒绝低置信度的预测，以减少错误累积的风险。如果η(t)高于集合

中的所有元素，当前的logit就可以通过测试，以改进伪标签。然后，通过伪标签和logit的指数加权移动平均值（EWMA）来更新伪标签，如公式3所示。这个过程类似于预测集成技术，用于过滤伪标签。然而，与其他方法不同的是，我们的方法中的因子η(t)是自适应的，而不是一个固定的超参数系数，并且伪标签在每个迭代步骤或每几个周期更新一次。我们的EWMA通过对多个阶段的预测进行加权平均，逐渐减小现有错误的负面影响。

伪标签更新的公式如下：

其中，y(t)_PL表示第t个迭代步骤时的伪标签，η(t)表示当前迭代步骤中的置信度度量值，{η(i)}t表示迭代步骤1到t的置信度度量值的集合。如果当前的置信度度量值η(t)高于集合{η(i)}t-1 i=1中的所有元素，当前的logit就被认为是可信的，可以通过测试来改进伪标签。伪标签的更新通过对logit和伪标签的指数加权移动平均值来实现，其中权重由置信度度量值决定。如果当前的置信度度量值η(t)不高于集合{η(i)}t-1 i=1中的所有元素，则伪标签保持不变。

FPA 特征原型分析块Feature Prototype Analysis Block

FPA的输出用于增强测试时卷积输出的连续性。

在网络的倒数第二层，紧跟着一个1×1×1的卷积层用于输出logits，我们将特征图Z ∈ R^{C×H×W×D}并行输入到FPA块中。通过公式5计算输出相似性图O ∈ R1×H×W×D，其中Z(h,w,d) ∈ RC表示体素voxel（h,w,d）的特征嵌入向量，ρθ ∈ RC表示FPA的核参数。

相似性图O的计算公式如下：

FPA块的学习过程发生在测试之前，此时整个模型（除FPA块外）被冻结。为了减少额外的开销，ρθ通过一次计算的ρc进行初始化，并通过损失函数Lfpa（Eq. 6）进行微调。在计算损失时，只有标记的体素对更新核参数起作用。

FPA块的损失函数如下：

实验效果

数据集：a clinical dataset,includes 108 subjects 在训练集中，PVA标签是由临床医生进行注释的，其中只有24.29%的血管被标记。用于量化结果的指标包括完整性和连续性评估指标。完整性评估指标包括平均Dice系数（Dice）、相关Dice系数（RDice）、重叠度（OV）；连续性评估指标是三条主要血管（LAD、LCX和RCA）上的首次错误重叠度（OF）。

baseline model -> 3D-UNet

在表格1中总结了不同方法的定量结果，表明我们提出的方法在PVA下优于竞争方法。竞争框架（EWPA和DMPLS）在部分注释任务中取得了最佳结果，但我们提出的方法在基于PVA的冠状动脉分割方面取得了更好的结果。值得一提的是，我们提出的方法在使用PVA（24.29%血管标记）进行血管主干连续性评估（由指标OF衡量）方面，与使用完全注释（100%血管标记）的基准模型的性能相当。

消融实验

PLI Pseudo label initialization

LPU the label propagation unit