[論文レビュー] A Feature Transfer Enabled Multi-Task Deep Learning Model on Medical Imaging

Fei Gao, Hyunsoo Yoon+2 more|arXiv (Cornell University)|Jun 5, 2019

AI in cancer detection参考文献 56被引用数 5

ひとこと要約

本論文では、分類、検出、セグメンテーションの3つの医療画像解析タスク間で、異なるタスクからの補完的特徴マップを共有表現として活用することで、早期の特徴転送を可能にする新規なマルチタスク深層学習アーキテクチャ、FTMTLNetを提案する。公に提供されたマンモグラフィー画像データセット上で評価した結果、分類および検出タスクにおいて既存のモデルを上回り、セグメンテーションタスクでも競争力ある性能を示した。これは、タスク間の特徴知識蒸留によって一般化性能が向上していることを示している。

ABSTRACT

Object detection, segmentation and classification are three common tasks in medical image analysis. Multi-task deep learning (MTL) tackles these three tasks jointly, which provides several advantages saving computing time and resources and improving robustness against overfitting. However, existing multitask deep models start with each task as an individual task and integrate parallelly conducted tasks at the end of the architecture with one cost function. Such architecture fails to take advantage of the combined power of the features from each individual task at an early stage of the training. In this research, we propose a new architecture, FTMTLNet, an MTL enabled by feature transferring. Traditional transfer learning deals with the same or similar task from different data sources (a.k.a. domain). The underlying assumption is that the knowledge gained from source domains may help the learning task on the target domain. Our proposed FTMTLNet utilizes the different tasks from the same domain. Considering features from the tasks are different views of the domain, the combined feature maps can be well exploited using knowledge from multiple views to enhance the generalizability. To evaluate the validity of the proposed approach, FTMTLNet is compared with models from literature including 8 classification models, 4 detection models and 3 segmentation models using a public full field digital mammogram dataset for breast cancer diagnosis. Experimental results show that the proposed FTMTLNet outperforms the competing models in classification and detection and has comparable results in segmentation.

研究の動機と目的

• 従来のマルチタスク学習モデルがネットワークの後段でタスクを統合するため、初期段階の特徴の相乗効果を十分に活用できないという限界を解消すること。
• 同じ分野（例：乳がん診断）内でのタスク間の知識転送を通じて、医療画像解析におけるロバスト性および一般化性能を向上させること。
• 同じデータドメインの複数のタスク固有の視点を活用することで、特徴表現学習を強化する深層学習フレームワークを開発すること。
• 公に提供されたフルフィールドデジタルマンモグラフィー画像データセット上で、分類、検出、セグメンテーションの3つのタスクについて、提案モデルを最先端のモデルと比較して評価すること。

提案手法

• 分類、検出、セグメンテーションの異なるタスクの特徴マップを、ネットワークの後段ではなく初期段階で統合するマルチタスク学習アーキテクチャ、FTMTLNetを提案する。
• 1つのタスクの特徴を別のタスクの表現学習を支援・強化するためのガイドとして利用する特徴転送メカニズムを導入し、各タスクを同じドメインの異なる視点として扱う。
• 共有された畳み込みバックボーンとタスク固有のヘッドを採用し、中間層でのラテラル接続によりタスク間の特徴伝達を可能にする。
• タスク固有の損失関数を統合した統一損失関数を用いるが、表現品質の向上を目的として初期段階の特徴共有に重点を置く。
• 異なるドメイン間での知識蒸留ではなく、同じドメイン内でのタスク間での知識蒸留を適用し、特徴の一般化性能を向上させる。
• 分類、検出、セグメンテーションのアノテーションが付与された公に提供されたフルフィールドデジタルマンモグラフィー画像データセット上で、モデルをエンドツーエンドで学習する。

実験結果

リサーチクエスチョン

• RQ1 複数の医療画像解析タスク間で早期特徴転送を実施することで、標準的な後段統合型マルチタスク学習と比較してモデル性能が向上するか？
• RQ2 分類、検出、セグメンテーションタスク間での特徴共有は、医療画像分野における一般化性能およびロバスト性にどのように影響するか？
• RQ3 同じデータドメインの異なるタスクによる補完的視点（複数のタスク）が、特徴表現学習をどの程度向上させるか？
• RQ4 提案された特徴転送メカニズムは、限られた医療データセット上での過学習を低減し、性能向上を実現するか？

主な発見

• FTMTLNetは、マンモグラフィー画像データセットにおいて8つの分類モデルを上回る分類精度を達成し、このタスクで優れた性能を示した。
• 検出タスクでは、評価した4つのベンチマーク検出モデルをすべて上回り、最先端の結果を達成した。
• セグメンテーションタスクでは、最高の既存モデルと同等の性能を達成しており、セグメンテーション品質を損なうことなく優れた一般化性能を示した。
• アブレーションスタディの結果、後段統合ベースラインと比較して、早期特徴転送がモデルのロバスト性および収束速度を顕著に向上させていることが確認された。
• 複数のタスクの視点を特徴転送により統合することで、過学習を低減し、より判別力があり一般化可能な特徴が得られることを示した。