[論文レビュー] A Survey on Domain Generalization for Medical Image Analysis

Ziwei Niu, Shuyi Ouyang+3 more|arXiv (Cornell University)|Feb 7, 2024

AI in cancer detection被引用数 4

ひとこと要約

本サーベイは、異なる施設、モodaliti、およびスキャンシーケンスにおけるドメインシフトを扱う、医療画像解析分野におけるドメイン一般化（DG）手法の包括的レビューを提供する。ドメインシフトの原因をデータ、特徴、モデルの3レベルに分類し、主要なアルゴリズムやベンチマークデータセットを詳細に解説するとともに、今後の研究方向性を提示しており、リソースをまとめた公開GitHubリポジトリを併記している。

ABSTRACT

Medical Image Analysis (MedIA) has emerged as a crucial tool in computer-aided diagnosis systems, particularly with the advancement of deep learning (DL) in recent years. However, well-trained deep models often experience significant performance degradation when deployed in different medical sites, modalities, and sequences, known as a domain shift issue. In light of this, Domain Generalization (DG) for MedIA aims to address the domain shift challenge by generalizing effectively and performing robustly across unknown data distributions. This paper presents the a comprehensive review of substantial developments in this area. First, we provide a formal definition of domain shift and domain generalization in medical field, and discuss several related settings. Subsequently, we summarize the recent methods from three viewpoints: data manipulation level, feature representation level, and model training level, and present some algorithms in detail for each viewpoints. Furthermore, we introduce the commonly used datasets. Finally, we summarize existing literature and present some potential research topics for the future. For this survey, we also created a GitHub project by collecting the supporting resources, at the link: https://github.com/Ziwei-Niu/DG_for_MedIA

研究の動機と目的

• 異なる臨床施設、画像モダリティ、スキャンシーケンス間で生じるドメインシフトの課題に対処すること。深層学習モデルは、異なる施設に展開された場合に性能が低下する。
• 医療画像における最近のドメイン一般化技術を、データ、特徴、モデルの3レベルに体系的に分類・分析すること。
• 各レベルにおける代表的なアルゴリズムの詳細な概要を提示し、研究者が堅牢なDG手法を選定・開発するのを支援すること。
• ドメイン一般化研究に一般的に使用される医療画像データセットを収集・要約すること。
• 未解決の課題を特定し、臨床AIシステムにおける一般化性能の向上に向けた有望な今後の研究方向性を提案すること。

提案手法

• 医療画像解析の文脈においてドメインシフトとドメイン一般化を形式的に定義し、ドメイン不変学習とドメイン特異的学習の設定を区別すること。
• DG手法を3レベルに分類する：データレベル（例：データオーグメンテーション、ドメイン適応）、特徴レベル（例：ドメイン不変表現学習）、モデルレベル（例：メタ学習、自己教師付き学習）。
• 各カテゴリに属する主要なアルゴリズムの詳細な記述を提示する。例：ドメイン対向訓練、分布整合化、メタ最適化戦略。
• 医療画像におけるDGのベンチマークデータセットをレビューし、そのドメイン、モダリティ、臨床的応用を明記する。
• 性能と一般化能力の比較分析を通じて、各手法カテゴリの長所と短所を分析する。
• 再現可能性とさらなる研究を支援するため、キュレートされたリソース、コードリンク、データセットを含む公開GitHubリポジトリを運営する。

実験結果

リサーチクエスチョン

• RQ1 ドメインシフトの問題は、異なる臨床環境や画像プロトコルにおいて、どのように医療画像解析に現れるか？
• RQ2 医療画像におけるドメイン一般化の主な手法カテゴリは何であり、それらは設計や性能においてどのように異なるか？
• RQ3 医療画像において未知のドメインに一般化する能力を向上させるために、どのアルゴリズムや技術が最も有望であるか？
• RQ4 ドメイン一般化の評価に一般的に使用されるデータセットは何か？それらは現実の臨床的ばらつきをどのように反映しているか？
• RQ5 医療画像解析におけるドメイン一般化分野で、最も深刻な未解決課題と今後の研究方向性は何か？

主な発見

• ドメインシフトは、病院やスキャンプロトコルによってデータ分布が著しく異なる実臨床環境に深く関与するため、ドメイン一般化は不可欠である。
• データレベルの手法、例えばドメインオーグメンテーションやスタイル変換は、学習中にドメインのばらつきを模擬することで、モデルの頑健性を向上させる有効性を示している。
• 特徴レベルの手法、例えばドメイン不変表現学習や分布整合化は、学習された特徴におけるドメイン特異的バイアスを最小化することで、強力な性能を達成している。
• モデルレベルの戦略、例えばメタ学習や自己教師付き事前学習は、未観測ドメインへのゼロショット一般化性能を向上させている。
• 本サーベイでは、研究間で標準化されたベンチマークや一貫した評価プロトコルの欠如が問題であると指摘し、統一された評価フレームワークの必要性を強調している。
• 著者らが提供する公開GitHubリポジトリは、主要なリソース（データセット、コード、モデル）を統合しており、分野の研究促進と再現可能性の向上を支援している。