Semi-supervised brain hemorrhage segmentation using deep learning

Abstract

Intracranial hemorrhage (ICH) is a serious medical condition, which can lead to substantial complications and in many cases, even death. ICH is typically diagnosed using computerized tomography (CT) and the scans are analyzed by a specialized neuroradiologist. However, such a specialist might not always be available or an additional opinion is needed. Deep learning has proven successful in ICH detection, and many methods exist. Such methods are typically based on supervised learning.

In this thesis, we studied how semi-supervised methods can be used to increase the performance of a baseline ICH segmentation model using much less data than methods relying on the supervised paradigm. We implemented three different semi-supervised models from the literature, which are all based on enforcing consistency between model predictions. Additionally, we implemented a baseline U-Net model to which we compared the semi-supervised implementations.

Mean Teacher based methods benefited from unsupervised data. Utilizing traditional data augmentation for consistency regularization, including affine transformations, resulted in the best performance (delta Dice=1.3 points), whereas an aggressive CutMix augmentation strategy did not yield a clear increase in performance. Regardless of the small increase in performance, the results seem to indicate that a carefully selected semi-supervised method together with the correct data augmentation scheme and hyperparametrization, can increase the performance of an ICH segmentation model.

Aivoverenvuoto voi johtaa haastaviin komplikaatioihin ja useassa tapauksessa jopa kuolemaan. Aivoverenvuoto pyritään nopeasti tunnistamaan ja diagnosoimaan päänalueen tietokonetomografiatutkimuksella. Verenvuodon ja verenvuototyypin tunnistaminen vaatii neuroradiologin ammattitaitoa, mitä ei aina ole saatavilla. Tunnistamista voidaan kuitenkin avustaa syväoppimisen menetelmillä ja erilaisia tunnistamiseen erikoistuvia malleja on olemassa monia. Tällaiset mallit käyttävät kuitenkin usein ohjatun oppimisen menetelmiä, eli ne vaativat paljon tarkasti annotoitua dataa opetusvaiheessa. Koneoppimismalli voi antaa myös toisen mielipiteen, mikä voi lisätä diagnoosien luotettavuutta.

Tässä opinnäytetyössä tutkimme miten osittain ohjatun syväoppimisen menetelmät soveltuvat aivoverenvuotojen tunnistukseen, käyttämällä huomattavasti vähemmän annotoitua dataa, mitä nykyiset ohjattuun oppimiseen perustuvat menetelmät käyttävät. Toteutimme kirjallisuudesta kolme erilaista osittain ohjattua semanttista segmentointimallia, jotka kaikki perustuvat mallin ennusteiden välisten ristiriitojen minimoimiseen. Lisäksi toteutimme verrokkimallin, johon vertasimme toteutettuja menetelmiä.

Mean Teacher -menetelmään pohjautuvat mallit mahdollistivat annotoimattoman datan hyödyntämisen oppimisprosessissa. Perinteiset datan augmentaatiomenetelmät tuottivat parhaan tuloksen (delta Dice=1.3 prosenttiyksikköä) ja toisaalta TT-kuvien yhdisteleminen CutMix -tekniikalla ilman muita muunnoksia tuotti hieman huonompia tuloksia. Hyöty jäi pieneksi, mutta tulokset antavat ymmärtää, että osittain ohjatun syväoppimisen menetelmillä voidaan parantaa aivoverenvuotojen segmentointimallin suorituskykyä, jos opetus- ja augmentaatiomenetelmät sekä hyperparametrit valitaan huolella.