譯者 | 朱先忠

審校 | 重樓

圖像分割是機器學(xué)習(xí)中的一個熱門話題，如今已經(jīng)得到廣泛應(yīng)用。在視覺模型領(lǐng)域，可以根據(jù)一些標(biāo)準(zhǔn)進行訓(xùn)練來實現(xiàn)分割圖像，這通常是按照熟悉類型的對象的輪廓來進行的。當(dāng)模型不僅可以分割圖像，而且可以區(qū)分不同類型的對象時，這被稱為語義分割(semantic segmentation)。自動駕駛汽車應(yīng)用領(lǐng)域就是使用語義分割來識別附近的物體：行人、停車標(biāo)志、道路、其他汽車等。語義分割的另一個應(yīng)用是在醫(yī)學(xué)(放射學(xué))領(lǐng)域，可以訓(xùn)練模型來識別超聲波圖像中的惡性腫瘤。當(dāng)然，類似的應(yīng)用場景遠遠不止這些。

本文假設(shè)您熟悉圖像分割的基本概念，以及模擬退火等優(yōu)化算法。為了確保文章不至于太冗長，文章中沒有引用任何代碼;但是，請自行參閱我在本系列文章示例工程的GitHub存儲庫中的源碼，該存儲庫也在文章最后一節(jié)中提供了鏈接，以了解項目的所有代碼。我還在整個文本描述的相關(guān)位置放置了相應(yīng)的代碼鏈接。此外，我還提供了有關(guān)的主要筆記，其中包含用于為本文生成圖像的代碼。

項目目標(biāo)

先介紹一下背景：

2022年12月，我在威斯康星大學(xué)拉克羅斯分校完成了數(shù)據(jù)科學(xué)碩士研究的最后一個學(xué)期。在UWLAX的Jeff Baggett博士的監(jiān)督下，我的畢業(yè)項目是建立語義分割模型，此模型可以檢測乳腺超聲圖像中的組織損傷。其中一些病變是惡性的，重要的是要借助良好的診斷工具來盡早發(fā)現(xiàn)這種疾病。在大型通用數(shù)據(jù)集(如ImageNet)上預(yù)先訓(xùn)練的分割模型可以在醫(yī)學(xué)超聲成像數(shù)據(jù)上進行微調(diào)。通過將超聲掃描儀的圖像輸入到這樣的模型中，我們能夠從模型中得到預(yù)測，從而指示病變是否存在于掃描區(qū)域中，病變位于何處，病變的形狀是什么，以及可供選擇的關(guān)于疾病的性質(zhì)(惡性或良性)提示等信息。

以下是一個圖像分割模型的示例，該模型對從乳腺超聲圖像數(shù)據(jù)集獲取的超聲圖像執(zhí)行預(yù)測：

對超聲圖像的預(yù)測(圖像來源：乳腺超聲圖像數(shù)據(jù)集)

其中，左邊的矩形中內(nèi)容是來自數(shù)據(jù)集的超聲圖像;它包含看起來可能是惡性的或可能不是惡性的病變(暗區(qū))。中間矩形展示的是正確標(biāo)注的標(biāo)簽，也是數(shù)據(jù)集的一部分;人類專家已經(jīng)繪制了感興趣區(qū)域(病變)周圍的輪廓;這些標(biāo)簽用于訓(xùn)練模型，并在訓(xùn)練后測量其性能。右邊矩形中內(nèi)容是我的模型的預(yù)測結(jié)果;在圖示的這種情況下，它接近于正確標(biāo)注的標(biāo)簽。在這種情況下，模型并不是用來區(qū)分惡性和良性病變的，它們都以黃色顯示。

在上述我的畢業(yè)項目的基礎(chǔ)上，本文中項目也是華盛頓大學(xué)洛杉磯分校CADBUSI項目的一部分，就像我的畢業(yè)項目一樣)將從以下幾個關(guān)鍵點展開討論：

• 醫(yī)學(xué)成像與其他分割應(yīng)用程序有些不同，因為查看模型輸出的用戶(放射科醫(yī)生)在該領(lǐng)域具有重要的專業(yè)知識。用戶并不像大多數(shù)其他應(yīng)用程序那樣完全被動。問題不在于該模型在識別病變方面是否優(yōu)于人工操作員，而在于如何將模型的功能和用戶所知相結(jié)合，以獲得更好的整體結(jié)果。
• 用戶可能在各個方面都同意模型的預(yù)測結(jié)果，或者模型和用戶之間可能存在分歧。此外，用戶可能擁有模型所沒有的關(guān)于患者的知識。如果用戶能夠向模型提供提示或反饋，就模型而言，提供額外的輸入數(shù)據(jù)，以達到結(jié)合模型和用戶的優(yōu)勢的更高質(zhì)量的預(yù)測，這將是非常有用的。
• 此外，用戶應(yīng)該能夠以簡單的方式向模型提供反饋，例如用鼠標(biāo)點擊圖像以突出顯示重要區(qū)域。用戶生成的鼠標(biāo)點擊的坐標(biāo)成為模型的額外輸入，然后模型應(yīng)該相應(yīng)地調(diào)整其預(yù)測。

如果你從頭開始構(gòu)建模型，你可以用任何你想要的方式設(shè)計輸入，包括各種類型的數(shù)據(jù)。但在這種情況下，您需要進行完整的預(yù)訓(xùn)練周期(例如使用ImageNet)，這需要大量的計算和時間資源。如果你使用現(xiàn)成的模型，在ImageNet上預(yù)先訓(xùn)練，這會節(jié)省大量的時間和精力，但在模型的輸入中似乎沒有用戶反饋的空間——這些模型的設(shè)計目的是將圖像作為輸入，而不是其他形式的數(shù)據(jù)。

當(dāng)然，除非你能在現(xiàn)成模型的輸入中識別出冗余。這意味著，除了通常的成像數(shù)據(jù)之外，輸入中還存在冗余通道，可以重新用于向模型提供用戶反饋。本系列文章將介紹這是如何實現(xiàn)的：

• 識別現(xiàn)有圖像分割模型中的輸入冗余
• 使用冗余輸入通道提供用戶反饋
• 訓(xùn)練模型正確識別用戶反饋
• 盡可能使整個過程自動化

當(dāng)模型出錯時

讓我們考慮一下這個案例：

假陰性(圖像來源：乳腺超聲圖像數(shù)據(jù)集)

注意到，圖像左側(cè)似乎有一個感興趣的區(qū)域(RoI)——一個小的、深色的橢圓形。這在標(biāo)簽中顯示為黃色區(qū)域。但模型的預(yù)測是空集——預(yù)測幀中沒有黃色像素。模型似乎不相信這張照片中有RoI。我們，在這里扮演人類專家的角色，顯然是不同意此結(jié)果的。

或者在這種情況下：

假陽性(圖像來源：乳腺超聲圖像數(shù)據(jù)集)

人類專家(標(biāo)簽的作者)認(rèn)為圖像中只有一個真實的RoI。然而，該模型卻確定了兩個獨立的RoI。

在上面這樣的情況下，預(yù)測結(jié)果是非常邊緣性的，并且人類專家可能有理由不同意模型的預(yù)測結(jié)果。此時，允許用戶的反饋基于用戶擁有但模型沒有的信息或知識來指導(dǎo)模型的預(yù)測將是有用的。

理想情況下，用戶應(yīng)該能夠通過一種非常簡單的方法提供反饋，例如點擊圖像中的各個區(qū)域——然后模型應(yīng)該考慮點擊坐標(biāo)提供的信息，以調(diào)整其預(yù)測結(jié)果。此時，單擊坐標(biāo)將成為模型輸入的一部分。這可以通過多種不同的方式來實現(xiàn)。

Liu等人的PseudoClick論文(2022)描述了一種模型架構(gòu)，其中點擊是通過單獨的輸入層提供給模型：模型有一個實際圖像的輸入，和一個不同的點擊輸入。當(dāng)然，如果你從頭開始構(gòu)建你的模型，你可以隨心所欲地設(shè)計它，也可以從PseudoClick架構(gòu)中獲得某種建議。

但是，如果您使用現(xiàn)成的模型，則必須使用現(xiàn)有的輸入。這將在下一節(jié)中進行描述。

使用顏色通道提供反饋信息

如果你使用現(xiàn)成的視覺模型，它很可能是為處理彩色圖像而構(gòu)建的——模型的輸入實際上是三個相同的層，每個顏色通道一個：紅色、綠色和藍色。如果輸入是黑白的，這是超聲圖像的情況，則相同的信息(純亮度)以相同的方式分布在所有顏色通道上。換句話說，對于相同的信息，有三個獨立的通道似乎是多余的。

如果單色圖像只使用一個顏色通道，那么模型的工作原理是否相同呢?假設(shè)我們將兩個顏色通道(R和G)歸零，并且只在B通道中保留圖像信息。

藍色通道(圖像來源：乳腺超聲圖像數(shù)據(jù)集)

用預(yù)訓(xùn)練的圖像分割模型(例如SegFormer MiT-b3——可在HuggingFace存儲庫上獲得，在ImageNet上預(yù)訓(xùn)練)測試這一想法。很明顯，用通常的圖像分割指標(biāo)(IoU，Dice)測量的模型性能沒有改變。該模型的工作原理基本相同。當(dāng)對單色圖像進行預(yù)測時，來自彩色通道的冗余既沒有幫助，也沒有害處。

這意味著，我們可以只在B通道中保留圖像數(shù)據(jù)，并使用R和G通道進行額外的輸入——用戶生成的點擊。不僅如此，我們還有兩個獨立的通道，R和G，它們可以為模型提供不同類型的輸入。

這正是我們所需要的：一種點擊應(yīng)該是“激活”或“積極”，告訴模型“這是一個感興趣的區(qū)域，關(guān)注這里”，而另一種應(yīng)該是“抑制”或“消極”，告訴模型“這里什么都沒發(fā)生，避開這個區(qū)域”。

問題是，在訓(xùn)練數(shù)據(jù)中放置點擊以使模型對用戶輸入做出響應(yīng)的最佳方式是什么?這將在下一節(jié)中進行描述。

真陽性、假陽性和假陰性

來自分割模型的預(yù)測是圖像中像素以某種方式標(biāo)記的區(qū)域，例如通過非零值標(biāo)記。當(dāng)預(yù)測區(qū)域與該圖像的正確標(biāo)注的標(biāo)簽非常匹配時，我們認(rèn)為該模型表現(xiàn)良好。與標(biāo)簽匹配的預(yù)測像素被稱為真陽性(TP)。

在模型進行非零預(yù)測但標(biāo)簽中的像素為零的情況下，這些像素為假陽性(FP)。如果標(biāo)簽中的像素為非零，但模型的預(yù)測為零，則這些是假陰性(FN)。下面是一個例子：

真陽性、假陽性、假陰性(圖像來源：乳腺超聲圖像數(shù)據(jù)集)

其中，左邊的矩形中顯示的是標(biāo)簽。中間矩形中給出的是模型的預(yù)測結(jié)果。在右邊的矩形中，我們用白色標(biāo)記了真陽性(TP)：預(yù)測像素與標(biāo)簽像素匹配。假陽性(FP)是標(biāo)簽中為零的非零預(yù)測像素，并標(biāo)記為綠色。假陰性(FN)是標(biāo)簽中存在非零像素的零值預(yù)測像素，并且被標(biāo)記為紅色。

如果我們知道模型往往錯誤并做出錯誤預(yù)測的圖像區(qū)域(FP，F(xiàn)N)，我們可以在原始數(shù)據(jù)集中添加點擊，標(biāo)記FP和FN區(qū)域。由于我們已經(jīng)將所有圖像信息移動到藍色通道，因此可以使用紅色和綠色通道進行這些點擊。

例如，我們可以在紅色通道中單擊來標(biāo)記假陽性區(qū)域。我們希望，這些點擊將成為“抑制性”或“負(fù)面”點擊，從而使模型不再進行預(yù)測。假陰性區(qū)域可以用綠色通道中的點擊標(biāo)記，這將變成“激活”或“陽性”點擊，并引導(dǎo)模型更多地關(guān)注這些區(qū)域。示例：

圖像來源：乳腺超聲圖像數(shù)據(jù)集

圖像來源：乳腺超聲圖像數(shù)據(jù)集

在上面顯示的圖像中，我們在假陽性區(qū)域(模型預(yù)測不存在的RoI)中放置了紅色通道點擊(負(fù)點擊)，在假陰性區(qū)域(模型沒有預(yù)測任何內(nèi)容，但有實際的RoI的區(qū)域)中放置綠色通道點擊(正點擊)。為了更好的度量目的，我們在真陽性區(qū)域再點擊幾次綠色通道，以“錨定”預(yù)測并確保TP區(qū)域保持穩(wěn)定。

使用點擊的完整訓(xùn)練程序如下文所述。

通過點擊訓(xùn)練模型

下面給出了訓(xùn)練模型對用戶輸入做出響應(yīng)所涉及的主要步驟：

• 選定一個特定的現(xiàn)成圖像分割模型，例如使用ImageNet預(yù)訓(xùn)練的SegFormer MiT-b3
• 處理所有單色圖像，使圖像數(shù)據(jù)僅存在于B通道中;R和G通道將變?yōu)榭瞻?/li>
• 將圖像數(shù)據(jù)集拆分為5組;對每組中的模型進行微調(diào);這將創(chuàng)建5個模型，每個模型都針對數(shù)據(jù)集中的不同組進行了微調(diào);讓我們把這些稱為基線模型
• 使用5個基線模型中的每一個對其在訓(xùn)練中沒有看到的圖像進行預(yù)測;這將為數(shù)據(jù)集中的所有圖像生成預(yù)測
• 對于每個預(yù)測，確定TP、FP、FN區(qū)域;如上所述，用R和G點擊覆蓋FP、FN和可選的TP區(qū)域;小區(qū)域每個點擊一次;大區(qū)域可多次點擊;目前，假設(shè)單擊坐標(biāo)是手動生成的(稍后會詳細介紹)
• 將點擊嵌入到數(shù)據(jù)集中的R和G通道中，但保持B通道不變;每次點擊都是R或G通道中的3x3像素區(qū)域，我們將像素值設(shè)置為該通道的最大值(例如，uint8dtype為255)
• 使用相同的5個組，在數(shù)據(jù)集上訓(xùn)練5個新模型，并將點擊添加到R和G通道;讓我們稱之為點擊訓(xùn)練模型

換句話說，我們訓(xùn)練基線模型來“預(yù)測”模型可能出錯的地方，我們根據(jù)需要將點擊量添加到“錯誤”區(qū)域，然后訓(xùn)練新模型(點擊訓(xùn)練模型)，將點擊量增加到數(shù)據(jù)集中。我們希望經(jīng)過點擊訓(xùn)練的模型能夠?qū)νㄟ^R和G通道提供的點擊做出反應(yīng)。完整的代碼顯示在鏈接https://github.com/FlorinAndrei/segmentation_click_train/blob/main/train_models.ipynb處。

為了清晰起見，經(jīng)過所有處理并且在添加點擊后，結(jié)果圖像將是下圖所示的樣子：

圖像來源：乳腺超聲圖像數(shù)據(jù)集

圖像來源：乳腺超聲圖像數(shù)據(jù)集

其中，左邊的矩形是我們試圖匹配的正確標(biāo)注的標(biāo)簽。中間矩形是來自基線模型的預(yù)測。右側(cè)矩形中顯示了用于訓(xùn)練點擊訓(xùn)練模型的處理圖像——所有圖像數(shù)據(jù)都已移動到B通道，并根據(jù)需要將點擊添加到R和G通道以修改預(yù)測。

您不需要實際修改數(shù)據(jù)集來添加R和G點擊。您可以簡單地注冊點擊坐標(biāo)，并修改數(shù)據(jù)加載器，以便在訓(xùn)練模型時動態(tài)應(yīng)用點擊。如果出于任何原因需要重新生成單擊坐標(biāo)，則這樣的修改就要靈活得多。

此外，您可以從圖像增強技術(shù)中得到提示，并在訓(xùn)練中以一定的概率應(yīng)用點擊。點擊并不總是被添加到輸入中，只是在某些情況下是隨機的。我使用了0.9的概率，結(jié)果很好。這個想法是為了不讓模型過度依賴點擊。另外，微調(diào)此參數(shù)可能需要進一步探索。

實驗結(jié)果

上述方法有效嗎?

確實有效。這是一個經(jīng)過點擊訓(xùn)練的模型，用于進行預(yù)測，然后實時響應(yīng)用戶反饋：

我們要求模型進行預(yù)測，它覆蓋了圖像上半部分的兩個黑暗區(qū)域。我們不同意這個模型——我們認(rèn)為左邊的區(qū)域不是感興趣的區(qū)域，所以我們在上面點擊了一個抑制性的(紅色)。我們還在右邊的區(qū)域點擊了一次激活性的(綠色)。現(xiàn)在，模型的預(yù)測遵循了我們所掌握的額外信息。

應(yīng)該注意的是，一次點擊，大小約為3x3像素，會影響模型在直徑數(shù)百像素的區(qū)域中的預(yù)測。此外，該模型還考慮了點擊的存在和圖像中可見的特征：在感興趣區(qū)域(RoI：region of interest)中放置點擊會使模型用預(yù)測掩碼填充整個區(qū)域，遵循圖像中可見輪廓。

在某些情況下，模型很容易遵循用戶反饋——這就是模型輸出中的預(yù)測存在高模糊性/低置信度的情況。在其他情況下，模型的預(yù)測將不會因負(fù)面點擊而被“逐出”RoI——這是在模型自身輸出的模糊度較低/可信度較高的情況下。

規(guī)模化問題

到目前為止，所描述的技術(shù)的主要問題都是圍繞著小規(guī)模數(shù)據(jù)進行。我們假設(shè)點擊坐標(biāo)是手動生成的。換句話說，操作員需要仔細篩選所有圖像，將正確標(biāo)注的標(biāo)簽與預(yù)測進行比較，決定點擊位置和點擊次數(shù)，并記錄所有點擊坐標(biāo)。

這顯然談不上什么規(guī)模化的問題。為一個包含數(shù)百張圖像的數(shù)據(jù)集生成一組點擊已經(jīng)是乏味和耗時的，不過并非不可能。如果數(shù)據(jù)集包含數(shù)千張或更多的圖像，或者特別是當(dāng)基線模型發(fā)生變化時，需要重新生成一組點擊，那么這項任務(wù)就變得不可能了。因此，這需要借助某種自動化來實現(xiàn)。

不過，這將是本系列第2部分的主題。其中，我們將展示如何自動創(chuàng)建點擊坐標(biāo)，使訓(xùn)練過程可以在完全無監(jiān)督的情況下運行。第2部分將描述一種生成點擊的算法，該算法的生成方式與操作員做出的決策非常相似。

鏈接、引文、評論

本文中的這個項目是我在數(shù)據(jù)科學(xué)碩士研究的最后一個學(xué)期的畢業(yè)項目的延伸。

畢業(yè)項目和這項工作都是在威斯康星大學(xué)拉克羅斯分校的乳腺超聲圖像計算機輔助診斷(CADBUSI)項目中完成的，由Jeff Baggett博士監(jiān)督。參考地址：https://datascienceuwl.github.io/CADBUSI/。

包含本文代碼的GitHub存儲庫：https://github.com/FlorinAndrei/segmentation_click_train。

本文中使用的所有超聲圖像都是乳腺超聲圖像數(shù)據(jù)集的一部分，可在CC BY 4.0許可證下獲得。引文鏈接有：

Al-Dhabyani, W., Gomaa, M., Khaled, H., & Fahmy, A. (2019)。《乳腺超聲圖像數(shù)據(jù)集》(Dataset of Breast Ultrasound Images)。ResearchGate。檢索日期：2023年5月1日，論文：https://www.sciencedirect.com/science/article/pii/S2352340919312181。

其他鏈接、引用和評論：

• Liu, Q., Zheng, M., Planche, B., Karanam, S., Chen, T., Niethammer, M., & Wu, Z. (2022)。《偽點擊：具有點擊模仿的交互式圖像分割》(PseudoClick: Interactive Image Segmentation with Click Imitation)。arXiv.org。檢索日期：2023年5月1日，論文：https://arxiv.org/abs/2207.05282。
• Xie, E., Wang, W., Yu, Z., Anandkumar, A., Alvarez, J. M., & Luo. P. (2021)。《SegFormer:一種簡單高效的變壓器語義分割設(shè)計》(SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers)。arXiv.org。檢索日期：2023年5月1日，論文：https://arxiv.org/abs/2105.15203。

最后，本文中不屬于乳腺超聲圖像數(shù)據(jù)集的所有圖像都是由作者自己創(chuàng)建的。

譯者介紹

朱先忠，51CTO社區(qū)編輯，51CTO專家博客、講師，濰坊一所高校計算機教師，自由編程界老兵一枚。

原文標(biāo)題：Train Image Segmentation Models to Accept User Feedback via Voronoi Tiling, Part 1，作者：Florin Andrei