本文是《Marginal loss and exclusion loss for partially supervised multi-organ segmentation》的中文簡寫版。
說起《M》一文頗有感慨。去年MICCAI被拒後，大家頗為鬱悶。遂擼起袖子，大幹一場 ---整理思路、補充實驗、斟酌文字，於年中投稿《MedicalImageAnalysis》，很快被要求大修。但是，恰逢公雷同學去阿里做實習，還要找工作，過程很是糾結。幸運的是，最終守得雲開，堅持帶來了回報。在此，恭喜公雷同學！也感謝這次的匿名reviewers獨特精準的眼光！
-- 周少華
背景
多器官分割是醫學圖像分析中的一個重要的研究問題，而數據標註是建立多器官分割模型過程中不可或缺的一部分。在醫學圖像中標註多個器官非常花費精力和時間，因此，現有的多器官標註數據集的樣本量通常很少（如下圖左），而大部分的數據集往往都只標註單個或少量器官（如下圖右邊）。由於標註的不完整性，常規方法只能基於單個數據集訓練模型，模型的性能受到數據量不足帶來的影響。我們研究了如何突破標註的不完整性，聯合不不同的數據集，從中學習一個多器官分割網絡。
圖 1：不同的數據集有不同的器官標註。
方法
為此，我們提出了兩種新的損失函數：marginal loss (邊緣損失) 和exclusion loss (互斥損失)。
Marginal loss(邊緣損失)，主要利用標註合併和邊緣概率的思想，。如圖表1，區域和區域在數據集中同屬於（即合併為）區域，區域和區域同屬於（即合併為）區域，那麼在對應數據集中可能最終只給出了區域和區域的ground truth，而網絡輸出的結果是區域各自的概率，那麼在做的時候就直接計算和各自的邊緣概率，再利用分割loss函數（如Dice + 交叉熵CE）反向傳播。具體舉例，某個只含肝臟標籤的影像中，其「背景」是其他非肝臟器官和真正背景的合集。
圖2
Exclusion loss(互斥損失)，主要利用器官不重疊帶來標籤間互斥的思路。例如某個只含肝臟標籤的數據中，如果在已標註的肝臟區域上，網絡給出的結果是脾臟，那麼就應該對應做出懲戒。如圖3，數據集給出的ground truth有和區域，那麼網絡分割出來的對區域的預測值如果出現在了區域，就應該利用Dice做出對應的區域性懲戒。
圖3
具體的marginal loss和exclusion loss公式可以參照論文中的描述。
實驗
實驗中主要使用的數據集如下圖。經過合併後，數據總量達到了688個。以下所有實驗中訓練的模型都是基於nnU-Net的。
我們分別針對不同的情況做了如下消融實驗，實驗性能的量化指標是Dice係數：
a）正常使用單個全器官分割數據集、單個單器官分割數據集、二分類方法以及我們的方法的對比；
b）Marginal loss和Exclusion loss在不同權重下的效果對比；
c）對數據量的敏感度（主要是針對全分割數據集中，在把部分數據遮擋其他器官ground truth後變成單器官分割標籤情況下進行訓練的效果）；
d）同類型方法以及對比我們方法的p-value；
e）在丟失部分單器官標註數據集情況下的影響；
f）針對小目標的分割效果（以Pancreas tumor為例）。
小結
我們提出的marginal loss(邊緣損失)和exclusionloss(互斥損失)有效地利用了多器官分割標註中的先驗知識。基於此，我們有機地整合了不同數據集以及他們的部分標註信息，由此訓練出來的模型也得到了更好的性能。