CVPR 18錄用論文：利用量化提升醫療影像分割的準確度

AI 科技評論按：本文作者為聖母大學（University of Notre Dame）博士後徐小維，他為 AI 科技評論撰寫了基於 CVPR 錄用論文《Quantization of Fully Convolutional Networks for Accurate Biomedical Image Segmentation》的獨家解讀稿件，未經許可不得轉載。

來自美國聖母大學和華中科技大學的研究者們提出了一種利用網路量化提升用於醫療影像分割的深度學習模型精度的優化方法。該方法創新性地將旨在壓縮網路模型的量化方法應用到醫療影像分割深度學習模型中，相比於已有的方法，針對當前流行的 Gland 數據集可提升當前 state-of-the-art 的圖片分割準確度達 1%-7.5%，同時獲得壓縮了的深度學習模型。該研究已被 CVPR 2018 接收。

論文下載地址：

https://arxiv.org/pdf/1803.04907.pdf

醫療影像在當今醫療診斷中發揮重要作用。其中，旨在獲取組織器官以及相關生物結構的影像分割是醫療影像中最重要的步驟之一，是進行疾病診斷、手術規劃、治療方案設計等的有力支持。傳統的影像分割主要由病理專家進行手動分割，該過程單調且費時。然而，隨著當前醫療影像的進一步普及，醫療影像無論在數量還是在種類上都急劇增加，傳統的手動分割無法有效的處理大量多種類醫療影像。自動化醫療影像分割應運而生，但也面臨著兩大挑戰：生物結構本身的多樣性，以及醫療影像技術本身缺陷導致的低對比度和雜訊等問題。

當前深度神經網路已經在醫療影像分割中展現出遠超傳統方法的準確度。Unet [1], DCAN [2,3], suggestive annotation [4] 等在多個醫療影像數據集上獲得了令人驚喜的準確度提升。這些神經網路或是通過改變神經網路結構 [1], 或是改變訓練中的目標函數 [2,3]，或是優化選取的訓練數據集 [4]，來減少神經網路本身的過擬合。與此同時，網路量化被廣泛用於對神經網路進行壓縮，以減少參數數量和運算量。作者發現在某些情況下 [5, 6]，網路量化也可以提升網路的分類精度，具有減少網路過擬合的潛能。因此，針對醫療影像分割問題，作者利用量化減少深度神經網路的過擬合，進而提升其準確度。

該論文的工作是基於已有工作 [4] 完成的。整個訓練框架如圖 1 所示。整個訓練分成兩步：提取訓練集（QSA）和網路訓練（QNT）[4]。針對這兩步，作者利用網路量化來減少過擬合。在提取訓練集中，通過選取合適的量化方法，提升訓練出來的多個網路（FCN）的異化程度，使得選取出來的訓練集本身具有更高的代表性（representative）（如圖 2 所示）。在網路訓練中，作者利用量化，減少過擬合，進一步提升網路準確度。

圖 1 量化訓練框架

圖 2 量化可以獲取更高的網路異化，進而獲取更具代表性的數據集

作者針對 Gland 數據集 [7] 對該方法進行了大量實驗。通過對不同的量化方法進行對比，作者發現合適的量化往往可以獲得最佳的準確度，如圖 3 所示——不量化會引起過擬合，而量化程度過高會引起欠擬合。如表 1 所示，與已有的工作對比，該工作可以獲得最佳的準確度。在六項比較中，該工作獲得五項第一，一項第二的優異性能。

圖 3 不同量化方法的準確度差異：合適的量化會得到最佳的準確度

表 1 與已有工作的比較

[1] O. Ronneberger, P. Fischer, and T. Brox. U-net: Convolutional networks for biomedical image segmentation. In Inernational Conference on Medical Image Computing and Computer-Assisted Intervention, pages 234–241. Springer, 2015.

[2] H. Chen, X. Qi, J.-Z. Cheng, P.-A. Heng, et al. Deep contextual networks for neuronal structure segmentation. In AAAI, pages 1167–1173, 2016.

[3] H. Chen, X. Qi, L. Yu, and P.-A. Heng. Dcan: Deep contouraware networks for accurate gland segmentation. In Proceedings of the IEEE conference on Computer Vision and Pattern Recognition, pages 2487–2496, 2016.

[4] L. Yang, Y. Zhang, J. Chen, S. Zhang, and D. Z. Chen. Suggestive annotation: A deep active learning framework for biomedical image segmentation. arXiv preprint arXiv:1706.04737, 2017.

[5] S. Han, H. Mao, and W. J. Dally. Deep compression: Compressing deep neural networks with pruning, trained quantization and huffman coding. arXiv preprint arXiv:1510.00149, 2015.

[6] A. Zhou, A. Yao, Y. Guo, L. Xu, and Y. Chen. Incremental network quantization: Towards lossless cnns with lowprecision weights. arXiv preprint arXiv:1702.03044, 2017.

[7] K. Sirinukunwattana, J. P. Pluim, H. Chen, X. Qi, P.-A. Heng, Y. B. Guo, L. Y. Wang, B. J. Matuszewski, E. Bruni, U. Sanchez, et al. Gland segmentation in colon histology images: The glas challenge contest. Medical image analysis, 35:489–502, 2017.

[8] Y. Xu, Y. Li, M. Liu, Y. Wang, M. Lai, I. Eric, and C. Chang. Gland instance segmentation by deep multichannel side supervision. In International Conference on Medical Image Computing and Computer-Assisted Intervention, pages 496–504. Springer, 2016.

[9] Y. Xu, Y. Li, Y. Wang, M. Liu, Y. Fan, M. Lai, and E. Chang. Gland instance segmentation using deep multichannel neural networks. IEEE Transactions on Biomedical Engineering, 2017.

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！