[論文レビュー] A New Approach for Explainable Multiple Organ Annotation with Few Data

Régis Pierrard, Jean-Philippe Poli+1 more|arXiv (Cornell University)|Dec 30, 2019

Machine Learning in Healthcare参考文献 39被引用数 6

ひとこと要約

本論文は、少数のアノテート済み医療画像から空間的関係を学習し、説明可能な複数臓器のアノテーションを実現する、記号的・ファジィ推論フレームワークを提案する。臓器の関係性をファジィ制約としてモデル化することで、たった2例の訓練例でのみ99%の精度を達成し、言語的説明に基づく空間的推論によって、高精度で解釈可能なセグメンテーションを実現する。

ABSTRACT

Despite the recent successes of deep learning, such models are still far from some human abilities like learning from few examples, reasoning and explaining decisions. In this paper, we focus on organ annotation in medical images and we introduce a reasoning framework that is based on learning fuzzy relations on a small dataset for generating explanations. Given a catalogue of relations, it efficiently induces the most relevant relations and combines them for building constraints in order to both solve the organ annotation task and generate explanations. We test our approach on a publicly available dataset of medical images where several organs are already segmented. A demonstration of our model is proposed with an example of explained annotations. It was trained on a small training set containing as few as a couple of examples.

研究の動機と目的

• 低ショットの医療画像アノテーションにおいて、高い説明可能性を実現すること。
• 臨床現場における深層学習の高い性能とその解釈不能性のギャップを埋めること。
• 大規模なアノテート済みデータセットへの依存を減らし、少数の訓練例でのみ正確な臓器アノテーションを可能にすること。
• 臓器間のファジィ空間的関係を学習することで、言語的根拠に基づいた人間が読みやすい説明を生成すること。
• 臓器認識をファジィ制約充足問題として形式化し、推論と説明生成を可能にすること。

提案手法

• 本手法は、ファジィ論理を用いて、少数のアノテート済み医療画像から臓器間の空間的・構造的関係をファジィ論理で表現することで、ファジィ関係を学習する。
• 訓練例全体にわたる頻度と一貫性を評価することで、最も関連性の高い関係を抽出し、ノイズをフィルタリングするためのしきい値を適用する。
• これらの関係は、画像内での臓器の妥当な空間的配置を定義するファジィ制約に変換される。
• アノテーションタスクは、ファジィ制約充足問題（FCSP）として形式化され、各臓器は制約の一貫性に基づいた可能なラベルのドメインに割り当てられる。
• 説明は、特定のラベル割り当てに至ったアクティブな制約をたどることで生成され、ファジィ関係の言語的記述（例：「～の左に」、「対称的である」）を用いる。
• 記号的推論と統計的認識を統合することで、ファジィ所属関数を用いてセグメンテーションの不正確さに対しても頑健性を確保する。

実験結果

リサーチクエスチョン

• RQ1 少数のアノテート済み画像例でのみ、高精度な臓器アノテーションを達成できるか？
• RQ2 ファジィ空間的関係は、有効に学習され、臓器ラベリング意思決定のための人間が理解可能な説明を生成するために使用できるか？
• RQ3 記号的推論と少データ学習を統合することで、医療画像解析における精度と説明可能性がどのように向上するか？
• RQ4 ファジィ論理は、臓器セグメンテーションの不確かさをどの程度扱えるか、同時に信頼性のある制約に基づく推論を維持できるか？
• RQ5 説明の質と一貫性は、モデルの性能および臨床現場におけるユーザーの信頼度とどの程度相関するか？

主な発見

• 2枚のアノテート済み画像での訓練でも、最小99%の精度を達成し、強力な少データ一般化性能を示した。
• 大規模な訓練セットを必要とし、説明を提供しない深層畳み込みニューラルネットワーク（CNN）ベースラインよりも優れた性能を示し、より優れたデータ効率性を示した。
• すべての変数が有効なドメインに割り当てられるため、モデルはラベルを一つも見逃さない。これは完全性が保証されることを意味する。
• 説明は、アクティブなファジィ制約（例：「臓器Xは臓器Yの上にある」や「対称的である」）をたどることで生成され、解釈可能で言語的根拠に基づく説明が得られる。
• ファジィ論理の使用により、臓器の形状のわずかな変動に対しても、境界の曖昧さを許容できるため、モデルは頑健である。
• 一例の訓練例でも、それが外れ値でない限り、本手法は有効である。これは、制約形成に頻度と一貫性の高い関係に依存しているためである。