0
| 本文作者： 楊曉凡 | 2017-08-12 10:14 | 專題：CVPR 2017 |
雷鋒網(wǎng) AI 科技評論按：計算機視覺盛會 CVPR 2017已經(jīng)結束了，雷鋒網(wǎng) AI 科技評論帶來的多篇大會現(xiàn)場演講及收錄論文的報道相信也讓讀者們對今年的 CVPR 有了一些直觀的感受。
相對于 CVPR 2017收錄的共783篇論文，即便雷鋒網(wǎng)(公眾號：雷鋒網(wǎng)) AI 科技評論近期挑選報道的獲獎論文、業(yè)界大公司論文等等是具有一定特色和代表性的，也仍然只是滄海一粟，其余的收錄論文中仍有很大的價值等待我們?nèi)ネ诰?，生物醫(yī)學圖像、3D視覺、運動追蹤、場景理解、視頻分析等方面都有許多新穎的研究成果。
所以我們繼續(xù)邀請了宜遠智能的劉凱博士對生物醫(yī)學圖像方面的多篇論文進行解讀，延續(xù)之前最佳論文直播講解活動，此次是第2篇。
劉凱博士是宜遠智能的總裁兼聯(lián)合創(chuàng)始人，有著香港浸會大學的博士學位，曾任聯(lián)想（香港）主管研究員、騰訊高級工程師。半個月前宜遠智能的團隊剛剛在阿里舉辦的天池 AI 醫(yī)療大賽上從全球2887支參賽隊伍中脫穎而出取得了第二名的優(yōu)異成績。
在 8 月 1 日的直播分享中，劉凱博士為大家解讀了「Joint Sequence Learning and Cross-Modality Convolution for 3D Biomedical Segmentation??」（用于三維生物醫(yī)學分割的合并序列學習和多形態(tài)卷積）這篇論文，它主要解決了一個三維生物醫(yī)學圖像分割中重要問題：如何綜合使用多種形態(tài)的 MRI 數(shù)據(jù)進行區(qū)域分割。以下為當天分享的內(nèi)容總結。
劉凱博士：大家好，我是深圳市宜遠智能科技有限公司的劉凱，我們的官網(wǎng)是 yiyuan.ai。這里也有我的微博ID，我經(jīng)常會發(fā)一些跟人工智能相關的資料和文章，大家可以關注一下。今天講的也是關于生物醫(yī)學圖像的應用，是結合序列學習和交叉模態(tài)卷積的3D生物醫(yī)學圖像分割。其實在醫(yī)學圖像方面，分割，英文是segmentation，是非常重要的工具或者應用。
我先講一下這篇文章的主要內(nèi)容，它講的是對核磁共振圖像中的腦部腫瘤部位進行切割的例子。右邊的圖給出來的就是什么叫“對腫瘤部位進行切割”。我們通過MRI拍出來圖片，如果有一些跟正常的大腦皮層細胞不太一樣的部位，這些部位就很有可能是有腦部腫瘤，所以要把它切出來，切出來之后再做相應的研究。比如這三個例子可以看到大腦中有一些病變的位置，要達到的就是最右邊一列的樣子，把它們切出來。這個工作其實不算太容易，主要有幾個方面的原因。
首先比較難定位到哪些是腫瘤部位，因為腫瘤部位的形狀千奇百怪，沒有固定的形狀，不像人臉識別的時候，每個人的五官都差不多，位置區(qū)別也不會很大。比如說神經(jīng)膠質(zhì)瘤和膠質(zhì)母細胞瘤的形狀兩種就就很不同，就是不同的腫瘤形狀也不一樣。然后腫瘤的分布很廣泛，可能分布在大腦的任何區(qū)域，那跟人臉也不一樣了，就跟剛才我說一樣。
那怎么去實現(xiàn)、怎么去解決這些難點呢，這篇文章提出來一個思路就是交叉形態(tài)卷積的方法做一個 encoder-decoder 的網(wǎng)絡結構，然后同時用LSTM對2D的切片序列建模。
這里有個概念，因為MRI也是跟CT一樣斷層掃描的過程，就是它一層一層，一層掃出來的就是一個2D的圖片，然后多層累計起來就是3D的，但是其實切割是要切割出3D的腦部腫瘤位置，這樣就需要把2D的變成3D的，把2D的切片之間的關系通過LSTM描述出來，最后把多模態(tài)卷積和LSTM網(wǎng)絡結合在一起，達到3D切割。
剛才提到多模態(tài)的概念，就是因為這個是MRI特有的特征，因為CT里面并沒有。這里有四個模態(tài)，就是通過四種方式掃描腦部得到MRI數(shù)據(jù)，這是這里列出來的四個的名字，我們先不用管它這四個具體是什么意思，只是知道它有四種模態(tài)就行了，這四種模態(tài)對最終切割的結果是有直接的作用的?，F(xiàn)在大多數(shù)的3D圖像切割方法只是用了一個模態(tài)，或者把多個模態(tài)分別來做，然后再堆積起來。
這個方法的framework大概是這樣的，從左到右看。
首先每一個腦部的MRI數(shù)據(jù)，他都是通過四種模態(tài)切出來的，這里用四種不同的顏色來表示，相當于每一個slice就是我說的那個2D的圖片。
切完之后他會把四個模態(tài)，就是到圖b這個階段了，四個模態(tài)交叉在一起做一個multi-modal的encoder，這個encoder就是用一個神經(jīng)網(wǎng)絡來實現(xiàn)的。
四個模態(tài)encode到一起之后，在這一步就用神經(jīng)網(wǎng)絡把四個模態(tài)下的腦部切割出來了，這是2D的情況下。
然后再加上convolution LSTM把2D的切割、2D和2D之間的dependency描述出來之后就形成了3D的切割，然后再做一下decoder，展現(xiàn)成最后這種形式。在最中間有一個切割出來的東西，其他沒被切割到的background。
這就是一個大體的流程，然后對具體對每一個細節(jié)的過程，我再詳細介紹一下。
第一個模塊就是multi-modal的encoder，這里的網(wǎng)絡結構最主要的幾個方面是用四個卷積核，通過batch-normalization，然后加一個非線性變換，在后面有四個最大池化層。這就是先簡單介紹一下，如果要詳細了解這個網(wǎng)絡結構是怎么設計的，可以去讀一下這篇論文。
另外一個嗯比較重要的部分就是多模態(tài)交叉卷積。四個模態(tài)的數(shù)據(jù)進入到這個卷積網(wǎng)絡之后，他就會把每一個模態(tài)下面的cross在一起，然后通過一個三維的卷積，卷積的大小里有個C×4，就是因為他每個channel里面有 c 個slice，就是說它是一個立體結構了，一個長寬是H、W，高是C的這種。四個模態(tài)弄到一起就是C×4×H×W，有大小。
然后在這里，是用4×1×1的一個卷積核，做卷積之后得到每一層的切割出來的特征。切割出來之后，然后就進入了后面的convolution LSTM。
這個convolution LSTM跟普通的LSTM有一個區(qū)別，就是把原來的矩陣相乘替換為一個卷積操作，就是普通的乘法變成卷積層，這樣它就能夠在把之前狀態(tài)的空間信息保留著。其實它的目的就是，卷積LSTM會描述一個2D切割邊緣的趨勢，比如說這一張中切片它的形態(tài)是這樣的，然后到下一張它會有一個輕微的變化，要把這種變化描述出來。
因為剛開始有一個圖像的encoder，還是要把它解析出來。最后就有一個soft-max的分類，也是一個兩分類的，就是每一個像素是前景還是背景的概率。是前景的話，就是我們要切割出來的部位；如果是背景的話就不是我們感興趣的地方。
它的實驗部分做了兩個，第一個跟醫(yī)學沒有關系，這個通用的場景就不講了。我講一下跟醫(yī)學相關的那個，他有一個公開的腦部MRI的數(shù)據(jù)，就叫BRATS-2015。
他切的是神經(jīng)膠質(zhì)瘤這個疾病，它的嚴重程度分為五種，0 就是非腫留，1 是腦細胞壞死，2 是水腫，3 是非增強性腫瘤，4 是增強性腫瘤，數(shù)字從低到高，它嚴重程度會越來越高。臨床上是從三種不同的方面去評價切分的效果：
第一種，完全把四種嚴重程度的病都切割切割出來，相當于區(qū)分腫瘤和非腫瘤；
第二種，部分切割，只關注 1、3、4 這三種。2 的水腫，其實也是比較容易混淆的，就是它不是真正的腫瘤
第三種，只關注增強型的腫瘤，就是最嚴重的那種
最右邊是一個圖例，看這幾種方法哪一個切的好一些。第二列是就是ground truth，第三列是U-Net，是一個提的比較早、比較通用的一個benchmark的方法，來做數(shù)據(jù)切割；然后第四列的CMC，cross-modality convolution，這個也是這篇文章提出來的；然后CMC+convolution LSTM，就是描述了切片與切片之間的dependency的算法?？梢钥闯鰜?，最后一個跟ground truth是比較接近的。
這里有從三個方面看的評價結果，三個指標。其實都是算它切割得跟ground truth重合的部分的比例，第一種“Dice”就是它的 overlap 部分，除以他們兩個面積交集和并集的一個平均，這里的P就是predict出來的區(qū)域，然后T是ground truth的區(qū)域。PPV是positive predicted value，那是他的交集部分除以預測的區(qū)域；sensitivity就是交集的面積除以ground truth區(qū)域。這里也是跟U-Net比較了一下。
我下面補充一下這個U-Net的概念，如果沒有醫(yī)學圖像切割的一些知識背景的話，可能不太理解它。其實U-Net就是一個網(wǎng)絡結構，參考文獻在最下面。這種網(wǎng)絡結構，就是畫出來長得字母U，然后所以叫yU-Net。
它之所以長成這樣，是因為這個圖像進來，最左邊可能大家看的不是很清楚，圖像里其實是一個一個的細胞，它們都連在一起，但是邊緣是有一些線割開的。網(wǎng)絡的目標是把這些細胞一個一個地切開，就像最右邊的這種情況。網(wǎng)絡剛開始的時候用的卷積就先是3×3的卷積，然后加上ReLu這個非線性變換，然后一步一步做下去。其實這個網(wǎng)絡結構還是挺深的，如果有興趣可以去看一下這篇文章。其實這個算法對大物體小物體的切割都是做得還不錯的，就是因為這種U結構的，先對大物體切割，然后再去對小物體切割。
這里面還有一些trick，就是在BRATS-2015這個數(shù)據(jù)上來，因為這個數(shù)據(jù)量其實不大，好像正例一共只有60多個，負例兩百多個。這里也出現(xiàn)了一個數(shù)據(jù)不均衡的問題，它是用median frequency平衡法，這個很簡單，這個算式里有一個除法，就是分子式median frequency，就是每一個類的平均frequency，除以這一類總的出現(xiàn)的次數(shù)。如果出現(xiàn)次數(shù)越多，那它這個權重就會越小，就是賦了一個比較小的權重，就在 loss 函數(shù)里對這一類的數(shù)據(jù)設定了一個權重，相當于下采樣的過程。
在這個學習過程中使用了two-stage training，第一個階段是只采用了包含腫瘤的切片，然后用median frequency減少大類的權重。第二階段是降低學習率，然后把median frequency這種限制去掉，它的分布就是接近你的真實的分布，因為如果使用median frequency，它的分布是會變的，但是真實數(shù)據(jù)中那個大類的確實會存在，還是要去描述這個問題，先保證了這個模型第一部分不收斂到大類這個問題之后，然后第二個階段去再去慢慢的學習真實的分布。
在第一階段的時候避免采樣到空的序列，就是先去采樣了有腫瘤問題的，然后再在訓練LSTM的時候也用了正交初始化的方法處理梯度消失的問題。這種方法其實都是可以用的，不一定非得這個問題上去用。
我讀到最后就發(fā)現(xiàn)一個不太好的一個地方，就是他在前面后面都提到了這個KU-Net，它說了跟它的方法模型是最相關的，其實這個KU-Net就是用U-Net+RNN，他用RNN也是去描述2D切片之間的dependency。
這篇論文里方法的不同就是，它用的交叉模態(tài)的方法去代替U-Net的那一部分，然后用LSTM去代替RNN那一部分。從直觀上來講應該會比這個KU-Net效果要好，但是他說因為沒有公開代碼不進行實驗對比，我覺得這個理由不是特別充分。其實寫文章的時候既然他都給了U-Net的比較了，然后這種跟他更相關的、而且思路上也挺像的，應該更要比較一下才對。
（先上一次論文講解中的問題開始）
Q：Sequntial learning的時候有沒有用move-and-average，就是有沒有移動平移法
A：這個那篇文章里面并沒有講，但是我覺得這個移動平均法在sequntial的學習的時候還是可以用的，就是相當于你在不同的步驟的預測值都做一個平均，還是有一定的推廣性的。
Q：關于醫(yī)學圖像數(shù)據(jù)不平衡的問題
A：其實不平衡的問題，解決方法有好多種，最簡單的就是上采樣和下采樣。如果那些大類的數(shù)據(jù)特別多，做一下下采樣，然后小類的做一下上采樣。這個比較簡單，然后我在實際問題中有一些經(jīng)驗，其實不是這一類多就一定要下采樣，這一類少就一定要上采樣，其實要看它具體的分布。
有的時候，比如說我們在做肺結節(jié)檢測的這個過程中，通過肺CT或者X光去看那個肺部有一些會癌變的結節(jié)，去找這些病變的點。其實在這里面小結節(jié)會比較多，大結節(jié)會比較少。在這種例子里，大家直觀的很可能覺得要下采樣小結節(jié)，那實際上并不是的，我們這反而是上采用了上采樣的小結節(jié)，就是把它的數(shù)據(jù)要增多。因為小結節(jié)比較難分，它其實很小，跟background非常像，然后就容易被忽略掉，然后大結節(jié)就很明顯，即使只有少量的數(shù)據(jù)，它也能分出來的。
所以這個跟實際的應用有關系，一般情況下做模型之前一個很大的步驟是要去處理數(shù)據(jù)，有的時候一些trick是從數(shù)據(jù)得到靈感，就應該去怎么去實現(xiàn)。包括數(shù)據(jù)增強也好，怎么解決數(shù)據(jù)偏移也好。這是預處理的部分。
然后在實際訓練中解決數(shù)據(jù)不平衡的問題可以通過一個叫hard negative mining的方式，就比如剛開始的數(shù)據(jù)不平衡，有的傾向于分到大類那一部分。而且你這個模型在分的時候，前期會有一些分錯的，分錯了就說明這個模型分的效果還不太好。比如說把小類的分到大類里面去了，明顯是分錯了，然后就把這些分錯的小類的找出來，做一下增強，比如說做兩倍的增強，然后再放到模型里面、再去學，這樣持續(xù)下去，就會有針對性的把小的數(shù)據(jù)去增強，慢慢把數(shù)據(jù)變平衡了。這個思路其實是跟剛才的數(shù)據(jù)預處理是一樣的，但是更靈活一些，因為在訓練之前，直接把小的類做增強，這種是比較主觀的，實際上不一定小類的就難分，最好先去模型試一下，看哪些比較難分，然后就專注于這種數(shù)據(jù)去做數(shù)據(jù)增強。其實上一篇論文講解直播的時候，論文里面也提到這個思路。
然后數(shù)據(jù)增強的時候其實也挺有意思的，上一篇論文里面提到要根據(jù)泛化能力比較強的做增強，而不是統(tǒng)一形式的增強。我們在實際在做的時候，也還是以肺結節(jié)為例子，我們在做hard negative mining的時候，因為在肺結節(jié)檢測里面少，就是發(fā)現(xiàn)肺結節(jié)在跟常規(guī)思路的機器學習方式有一些相反的現(xiàn)象。其實正例跟負例相比，本身是偏少的，因為他那個肺里面有很多部位結節(jié)是很少的。但是實際模型去訓練，然后訓練的時候就會發(fā)現(xiàn)好多并不是結節(jié)的預測成結節(jié)了。這個需要hard negative mining，就是要把negative的sample要增強一些。原來我們心想的通常情況下是應該把少的那一部分增強，那肺結節(jié)檢測是實際上是相反的。在腦部切割的時候也會有這個問題。
然后最近關于一個segmentation的一個新的方法，目前還沒有用到在segmentation里面，我只是有一個想法，提出目標檢測Fast-RCNN這一系列的何愷明發(fā)了一篇文章，是Fast-RCNN的延續(xù)，叫做Mask-RCNN，就不光是把那個目標能檢測出來了，還能把目標的輪廓給畫出來。這樣的話就非常像這里，比如說把病變的位置detect出來，其實是在這個地方畫了一個rectangle，這是找出它的位置了。如果我們要把病變區(qū)域切出來的，就要沿著它的輪廓，把它做一個mask。我覺得這個方法是可以試一下的，就相當于把目標檢測和segmentation結合在一起了，所以還是一個挺好的思路。
（等待問題過程中順便插播一則公司介紹）
我們宜遠智能位于深圳，也是一個初創(chuàng)公司，主要是做人工智能在醫(yī)學圖像處理上的應用，然后做一些基于醫(yī)學圖像的輔助診斷，大家有興趣的話可以去我們官網(wǎng)看一下。我們現(xiàn)在也在招人，如果有興趣的話可以在微博里面艾特我或者發(fā)郵件給我，郵箱地址是 kennethkliu@foxmail.com。加我的微信也可以，但是微信的話我也不會發(fā)太多東西。微信號是 kenneth_liukai。
Q：這個問題有人問，我重復一下。也是數(shù)據(jù)不平衡的問題，當positive和negative不平衡的時候可以做hard negative mining。那么假如第一次分類有部分數(shù)據(jù)分錯了，那么增強的權重是重采樣權重還是梯度的權重？
A：這個是兩種都可以，我們實際中一般是數(shù)據(jù)重采樣。如果增加梯度的權重，其實不知道是針對哪一種。只是說這個權重的話，就把數(shù)據(jù)重新放進去。增加權重也可以，但是你增加這個權重的時候，學的時候就不只針對分錯的那些了，會對所有的數(shù)據(jù)都增加了權重。那么還是重采樣來得更直接一些，就是分錯的那個數(shù)據(jù)再重新放進去，或者是加倍重新放進去，再去訓練，這個都是可以的。
其實在圖像上面做數(shù)據(jù)增強，不光是重采樣，還有一些時候為了增加它的泛化性，會做一些偏移、切割、平移這種操作，也是很有效果的。
Q：除了重采樣，還有其他辦法解決數(shù)據(jù)不平衡的問題嗎？
A：重采樣跟數(shù)據(jù)不平衡，其實是同一個思路。因為數(shù)據(jù)不平衡，你為了能達到平衡，那就是要打亂原來的數(shù)據(jù)分布了。除非這個模型對數(shù)據(jù)不平衡的狀況不敏感，就是說即使數(shù)據(jù)不平衡，也能學出來，大類就大類的學，小類就小類的學。這種就是要考驗模型的能力的，有些模型即使類別比較小的也是能夠?qū)W出來的，要看這個模型的區(qū)分能力了。
Q：如果數(shù)據(jù)圖像label有時標錯的比較厲害，標錯的比例甚至達到1/3，有沒有什么數(shù)據(jù)清洗的辦法？
A：對這個這個問題非常好，因為在醫(yī)學圖像里面這個問題特別嚴重。
其實醫(yī)學標注數(shù)據(jù)是有很強的背景知識要求，一般都是要比較高水平的醫(yī)生標的才會比較準確。
對普通的醫(yī)生來說，比如說有一些結節(jié)，或者一些腦部的MRI上病變的位置，其實在那里，但他就看不到，因為他知識水平有限，他就沒見過這種東西。我們也曾經(jīng)試過要用好幾個醫(yī)生然后去標，水平不一樣，指標的差異還挺大的，跟ground truth差距就更大了。
當然了這個ground truth也不是標準的ground truth，只是三個專家級的醫(yī)生標的共同的結果。這種方法可以這么來，就是說你的模型也可以去標一下。如果這個模型是完全基于現(xiàn)在這種“臟”數(shù)據(jù)學出來的，那么它真的是沒辦法能夠?qū)W得好，那它就是去擬和這個“臟”數(shù)據(jù)了。如果有另外一個好的模型，就可以transfer過來，它去把這個數(shù)據(jù)標一遍，跟達到1/3標錯的那個數(shù)據(jù)一起，相當于兩個專家會診一樣。它會有一個統(tǒng)計分布，這種情況下能夠一定程度上把那些“臟”數(shù)據(jù)給剔除掉。這是一種思路。
另外的話，有一些如果他標錯了，就會出現(xiàn)同樣的圖像、非常相近的圖像，得到了不同的label。這種就是標注相沖突的，這也是一個問題。我們就可以拿一個ImageNet pre-train的model去看兩個圖像的差異。假如說真的差異很小，然后label標注的截然相反，就可以做一定形式的過濾。
這個問題我不知道回答的好不好，我就是以我的經(jīng)驗來說。這其實是一個開放性的問題，可能有很多的方法去實現(xiàn)。其實做機器學習，ground truth就相當于一個先知，告訴你哪些是真的標注數(shù)據(jù)，那才是真正的標注數(shù)據(jù)。那實際上很多都是人標的，人的知識水平就限制了標注質(zhì)量的好與差。
雷鋒網(wǎng) AI 科技評論整理。感謝劉凱老師帶來的分享。
相關文章：
ICML 2017最佳論文：為什么你改了一個參數(shù)，模型預測率突然提高了|分享總結
CVPR 2017精彩論文解讀：顯著降低模型訓練成本的主動增量學習 | 分享總結
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
專題
