SpineGEM脊柱退行性疾病分类

• 论文：SpineGEM: A Hybrid-Supervised Model Generation Strategy Enabling Accurate Spine Disease Classification with a Small Training Dataset
• 收录情况：2021MICCAI
• 使用自监督方法训练encoder，全监督finetune并训练classifier

1. Abstract

大多数基于深度学习的MRI分析方法需要大量的标注数据，但是数据标注过程费时费力。这篇文章中，使用了一种多监督(hybrid-supervised)模型生成的方法，叫做SpinGEM，对于腰椎退行性疾病(LDD)的多病理分类任务中表现优越。一个自监督过程被用来生成预训练的模型，这个过程未使用任何标签，并且通过MRI-SegFlow（这也是本文作者的基于投票机制的一种无监督分割方法）自动生成的脊柱(VBs)和腰椎盘(IVDs)mask标签使得有关病理的先验信息融合到模型中。通过在一个较小医学数据集上对模型finetune，能够获得精确的病理分类。SpinGEM方法在数据集HKDDC（私有数据集）被验证对于四种疾病Schneiderman Score, Disc Bulging, Pfirrmann Grading， Schmorl’s Node分类是有效的。

2. Introduction and Methodology

受启发于周纵纬的Model Genesis，我们的多监督生成策略包括（1）自监督的预训练；（2）对特定任务的finetune。模型包括一个预训练的encoder头和特定任务的分类头。
贡献点：（1）提出了一个多监督生成策略SpinGEM来对腰椎多种疾病进行分类；（2）和SOTA的自监督方法进行了对比，验证了这个方法在MRI腰椎退行性疾病数据的有效性。

2.1 Preprocessing

首先，使用无监督分割方法MRI-SegFlow对脊柱和椎盘进行分割。
然后，对所有局部的分割矩形，提取长、宽、中心点和旋转角，并且所有的3D MRI图取中间的9张slides，然后对所有分割矩形进行双线性差值resize成1502009的大小。

2.2 Self-supervied Encoder Pretraining

首先，对上一步得到的分割矩形进行随机转换（random transformation）。对原图通过公式 f ( x ) = a + ( − 1 ) a x b , a ∈ { 0 , 1 } , b ∈ ( 1 / 2 , 2 ) f(x)=a+(-1)^ax^b, a\in \{0, 1\}, b\in(1/2, 2) f(x)=a+(−1)axb,a∈{0,1},b∈(1/2,2)进行像素强度转换，对分割mask进行closing操作，去掉分割细节部分，然后在原图对mask区域内进行模糊化或者像素值用平均像素代替。

然后，encoder pretrain的过程中对上述处理过的图进行图像复原操作，encoder-decoder的输出与原图计算$l_2$损失。

2.3 Task Specified Finetuning

取出图像复原网络的encoder部分，在后面加上两层全链接层，使用标注的分类图像及其label对网络进行finetune。

3. Experiment

Implement details部分不贴出来了，直接放试验结果。
作者和无监督方法、有监督方法、自监督方法比较，平均准确率和平均召回率都最高。