【论文学习】MICCAI 2024 || SGSeg：通过自引导机制实现胸部X光片语言引导分割的无文本推理

SGSegEnabling Text-free Inference in Language-guided Segmentation of Chest X-rays via Self-guidanceMICCAI 2024SGSeg通过自引导机制实现胸部X光片语言引导分割的无文本推理LViT、LanGuideMedSeg等视觉—语言分割模型同时输入胸部X光图像对应的医学文本描述。文本可以告诉模型病灶大致位于左肺、右肺、上部、中部或下部因此能够帮助模型定位感染区域。但是存在一个临床流程问题患者拍摄X光片 ↓ 医生观察图像 ↓ 医生撰写报告当医生还没有完成诊断报告时模型就没有文本可以使用。因此要求测试阶段输入报告会限制模型在临床辅助诊断中的应用。SGSeg提出的解决办法是训练阶段图像真实文本 → 学习图文引导分割 测试阶段只有图像 → 自动生成文本 → 文本再引导分割所以它称为“Self-Guidance”即模型用自己生成的报告指导自己进行分割。SGSeg的整体流程SGSeg由两个主要部分组成Language-guided U-Net语言引导的分割网络LERG位置增强报告生成模块。训练阶段训练时输入胸片和真实文本例如双侧肺部感染共有4个感染区域位于左肺上、中、下部以及右肺下部。真实文本有两个用途输入BERT生成文本特征指导病灶分割从文本中提取病灶位置伪标签监督报告生成模块。此时模型同时学习如何根据图像和文本分割病灶如何仅根据图像预测病灶位置并生成报告。推理阶段测试时不输入真实报告只有图像胸片 ↓ LERG预测病灶位置 ↓ 自动生成结构化报告 ↓ BERT提取生成文本的特征 ↓ 语言引导分割网络 ↓ 病灶分割结果因此“无文本推理”的准确含义是不需要从外部提供真实文本但模型内部仍然会生成文本并使用生成文本完成分割。Language-guided U-Net 这个部分负责最终的病灶分割图像编码器作者使用预训练的ConvNeXt-T把输入的(224x224)胸片逐层编码成多尺度视觉特征文本编码器使用医学领域预训练的BERT将报告转化为文本特征。语言引导解码器作者采用LanGuideMedSeg中的Guided Decoder通过跨模态注意力将文本特征与视觉特征融合。作者对词语注意力进行了可视化发现位置词获得了很高的注意力。因此他们认为在QaTa-COV19上文本帮助分割的主要原因之一是文本提供了明确的病灶位置。LERG位置增强报告生成模块它不是生成完整、自由形式的放射学报告而是重点生成病灶位置描述。六个位置区域作者把两侧肺部划分成六个区域左肺上部左肺中部左肺下部右肺上部右肺中部右肺下部。模型对每个区域输出True或False判断该区域是否存在感染。然后将预测结果转换成固定格式的文本例如双侧肺部感染共有4个感染区域位于左肺上、中、下部和右肺下部。位置伪标签提取QaTa-COV19没有为每个肺区提供单独的位置分类标签只有文本报告。因此作者使用医学BERT编码报告HDBSCAN聚类从报告中提取位置相关的伪标签。这些伪标签作为弱监督信号训练LERG判断六个肺区是否存在感染。目标解码器LERG参考RT-DETR结构包含ResNet-50视觉骨干跨尺度特征融合模块Object Decoder。它从图像中产生一组目标查询尝试定位感染区域。位置注意力聚合器目标解码器会生成很多预测但其中大部分可能是“无目标”只有少量预测真正包含病灶位置。因此作者设计位置注意力聚合器为每个位置建立一个查询向量计算该位置与所有目标预测的相关性对相关预测进行加权聚合得到六个位置的预测结果。这一步的作用是从大量稀疏目标查询中提取真正有用的病灶位置特征。论文只使用了QaTa-COV19数据集训练集5716张验证集1429张测试集2113张。作者还修正了约4%的错误文本、拼写错误和模糊描述。方法推理输入AccuracyDiceJaccardU-Net图像0.9450.8190.692U-Net图像0.9470.8230.706Swin U-Net图像0.9500.8320.724SGSeg只需图像0.9710.8740.778LViT图像真实文本0.9620.8370.751LanGuideMedSeg图像真实文本0.9750.8980.815设置DiceJaccard不使用文本0.8460.725CLIP视觉—语言预训练0.8500.740简单报告生成0.8610.759弱监督LERG0.8740.778使用真实文本0.8900.797摘要胸部X光图像中的感染区域分割对于准确勾画肺部结构和病理异常区域具有重要意义。近年来多模态语言引导的图像分割方法逐渐成为胸部X光图像分析中一种具有潜力的解决方案。这类方法将描述图像诊断结果的临床文本报告作为辅助信息用于指导图像分割。然而现有的语言引导方法要求在推理时同时输入图像和对应的临床报告。因此它们并不适合应用于临床决策支持场景下的图像分割而主要局限于医生完成临床报告后的回顾性图像分析。在本研究中我们提出了一种自引导分割框架SGSeg。该框架在训练阶段利用语言信息进行多模态训练同时在推理阶段实现不需要外部文本输入的单模态推理。据作者所述这是首个能够在语言引导分割中实现无文本推理的方法。我们利用文本报告中包含的肺部结构和病理区域的重要位置信息提出了一种新的位置增强报告生成模块即LERG用于自动生成临床报告并以生成的报告作为模型的自引导信息。LERG由以下部分组成目标检测器基于位置的注意力聚合器位置感知伪标签提取模块。其中位置感知伪标签提取模块为LERG提供弱监督信号。在具有代表性的QaTa-COV19数据集上进行的大量实验表明SGSeg的性能优于现有的单模态分割方法并且接近当前先进的多模态语言引导分割方法。图一图1. 所提出的SGSeg框架的神经网络架构蓝色部分代表语言引导型U-Net粉色部分表示增强定位功能的报告生成流程。训练时使用真实医学文本测试时只输入胸片由模型自己生成文本再指导病灶分割。整个框架分为两部分蓝色语言引导型U-Net负责输出病灶分割掩码粉色位置增强报告生成模块LERG负责根据图像生成位置描述。训练阶段 训练时同时输入胸部X光图像真实文本报告。真实文本在训练阶段有两个用途。用途1指导病灶分割真实文本经过Text Embedding文本编码器转换成文本特征。与此同时图像进入蓝色图像编码器提取从L1到L5的多尺度视觉特征L1、L2较浅层的边缘和纹理L3、L4病灶形状和局部结构L5高级病理语义。解码器逐层恢复图像分辨率并通过跳跃连接使用L1—L4视觉特征。文本特征则为解码过程提供病灶位置指导最后输出Predicted Mask即预测的感染区域掩码。蓝色分支可以概括为胸片 → 图像编码器 → 多尺度视觉特征 ↓ 真实文本 → 文本编码器 → 语言引导解码器 ↓ 病灶掩码用途2监督报告生成模块真实文本还会进入Pseudo Label Extraction即伪标签提取模块。作者利用HDBSCAN从报告中提取六个位置标签肺部区域是否存在感染左肺上部True/False左肺中部True/False左肺下部True/False右肺上部True/False右肺中部True/False右肺下部True/False这些标签并不是人工单独标注的而是从文本报告中自动提取的所以称为“伪标签”。伪标签用来弱监督粉色报告生成分支学习如何仅根据胸片判断病灶位于哪些肺部区域。粉色部分从右向左处理。Image Encoder输入胸片首先经过独立的图像编码器提取视觉特征。Object Decoder参考目标检测模型从视觉特征中产生一组Object Queries。每个小方框可以理解为一个候选目标特征但其中一部分可能对应真实病灶大部分可能是背景或无效候选Attention Aggregator注意力聚合器从大量候选目标中筛选和汇总与肺部位置相关的特征。它针对左、右肺的上、中、下六个区域分别聚合最相关的目标信息避免无效候选影响位置判断。六个位置预测聚合后的特征用于预测六个区域的True/False左肺上部、中部、下部 右肺上部、中部、下部训练时这些预测由前面从真实报告中提取的伪标签监督。因此图中用“Weakly Supervise”表示弱监督。Text Generation把六个位置预测转换成固定格式的报告。例如预测结果为左肺上部True 左肺中部True 左肺下部True 右肺下部True就可以生成双侧肺部感染共有4个感染区域分别位于左肺上、中、下部和右肺下部。推理阶段测试时没有真实医学报告只有胸片。处理过程变成胸片 ↓ 粉色LERG模块 ↓ 预测六个肺部区域是否感染 ↓ 自动生成位置文本 ↓ 文本编码器 ↓ 生成的文本指导蓝色U-Net ↓ 病灶分割掩码因此推理阶段蓝色分割网络接收的不是医生写的真实报告而是粉色模块生成的Predicted Text。图二图 2. 词语重要性示意图展示了报告中每个词元的注意力权重分布在图像与文本进行跨模态融合时模型对报告中每个词元分配了多大的注意力。这说明在QaTa-COV19的语言引导分割中模型重点利用的是文本中的病灶位置描述而不是“肺部感染”等一般诊断词。作者通过这张图得出医学报告对分割的主要帮助之一是提供了病灶的位置语义。因此SGSeg没有尝试生成复杂完整的临床报告而是设计LERG模块重点预测六个位置左肺上、中、下部右肺上、中、下部。再将位置预测组合成结构化文本用它指导分割。位置词具有较高注意力 ↓ 位置描述对分割很重要 ↓ 根据图像预测六个肺区是否感染 ↓ 生成位置型报告 ↓ 用生成报告指导病灶分割表一表1. 我们的SGSeg与现有单模态及多模态分割方法在QaTa-COV19数据集上的性能比较。单模态与多模态方法的最佳结果已用下划线标出我们的SGSeg结果以粗体显示。比较了三种不同使用方式的分割模型训练和测试都只使用图像训练使用图像文本测试只使用图像训练和测试都使用图像文本。类型训练阶段推理阶段Uni-Modal图像图像SGSeg图像真实文本只有图像Multi-Modal图像真实文本图像真实文本SGSeg在不需要外部文本输入的条件下明显优于所有纯图像模型并接近使用真实文本的最佳多模态模型。图三图 3. 分割结果的比较分析单模态方法与多模态方法表二表2. 关于SGSeg中各组件影响的消融研究无文本——单模态分割视觉-语言预训练——使用CLIP进行预训练并通过单模态分割微调自引导——在推理过程中使用生成文本作为输入全文——在推理过程中使用真实文本作为输入。图四图 4. 生成文本与分割结果之间关系的对比分析SGSeg生成的文本是否准确会直接影响最终的病灶分割结果。上方病例生成文本错误下方病例生成文本正确证明两个观点LERG生成的位置文本确实能够指导分割生成文本的错误会传递到最终分割结果。图五图5. 模型注意力分布在输入图像上的可视化结果按以下顺序排列图像、真实分割结果、注意力图以及投影到图像上的注意力图。