[論文レビュー] A2V: A Semi-Supervised Domain Adaptation Framework for Brain Vessel Segmentation via Two-Phase Training Angiography-to-Venography Translation

Francesco Galati, Daniele Falcetta+5 more|arXiv (Cornell University)|Sep 12, 2023

Fetal and Pediatric Neurological DisordersMedicine被引用数 3

ひとこと要約

本稿では、磁気共鳴画像法による動脈造影から静脈造影への変換を、2段階の訓練プロセスを用いて行う半教師ありドメイン適応フレームワークA2Vを提案する。不分離された潜在空間を活用してドメインのギャップを埋める。限定的なラベル付き静脈造影画像のみを用いても、70.4%のDiceスコアを達成し、最先端手法を19ポイント以上上回る性能を発揮する。

ABSTRACT

We present a semi-supervised domain adaptation framework for brain vessel segmentation from different image modalities. Existing state-of-the-art methods focus on a single modality, despite the wide range of available cerebrovascular imaging techniques. This can lead to significant distribution shifts that negatively impact the generalization across modalities. By relying on annotated angiographies and a limited number of annotated venographies, our framework accomplishes image-to-image translation and semantic segmentation, leveraging a disentangled and semantically rich latent space to represent heterogeneous data and perform image-level adaptation from source to target domains. Moreover, we reduce the typical complexity of cycle-based architectures and minimize the use of adversarial training, which allows us to build an efficient and intuitive model with stable training. We evaluate our method on magnetic resonance angiographies and venographies. While achieving state-of-the-art performance in the source domain, our method attains a Dice score coefficient in the target domain that is only 8.9% lower, highlighting its promising potential for robust cerebrovascular image segmentation across different modalities.

研究の動機と目的

• 脳血管分離における磁気共鳴動脈造影と静脈造影の間の顕著なドメインシフトを解消すること。
• ラベル付き静脈造影が限られている状況でも、豊富にラベル付きの動脈造影データを活用して脳静脈の半教師あり分離を可能にすること。
• サイクルベースのGANアーキテクチャの複雑さを軽減しながら、安定的かつ効率的な訓練を維持すること。
• 画像のボリューム関連性と血管関連性の特徴を分離し、正確で外観を保った変換を実現すること。
• 形状的および強度分布の違いがあるにもかかわらず、3次元脳血管分離におけるクロスマodal一般化を向上させること。

提案手法

• まずドメイン変換を学習し、その後共同分離と適応を実行する2段階の訓練戦略。
• 複数のコンポonentを有するサイクル-GANと比較して、複雑さを軽減するための単一の生成器、識別器、エンコーダアーキテクチャ。
• ボリューム構造と強度・テクスチャなどの血管固有の特徴を分離する、分離された意味的豊富な潜在空間。
• GAN損失の最小限の使用で安定化を図る、画像レベルのドメイン適応。
• ソースラベル付きデータとターゲット非ラベル付きデータからの弱教師信号を統合的に活用し、変換と分離を一括で最適化。
• 高精細で内容を保った画像変換を実現するため、StyleGAN2ベースの潜在空間を用いて静脈造影画像から動脈様のスタイルに変換。

実験結果

リサーチクエスチョン

• RQ1 限定的なラベル付き静脈造影画像と豊富なラベル付き動脈造影画像を用いて、半教師ありドメイン適応フレームワークが、脳血管分離の文脈で知識を効果的に転送できるか。
• RQ2 大きなドメインシフトが存在する状況でも、分離された潜在空間がクロスマodal変換と分離にどのように寄与するか。
• RQ3 簡素化された3コンポーネントアーキテクチャは、複雑なサイクル-GANと比較して、3次元医療画像ドメイン適応でどれほど優れた性能を発揮できるか。
• RQ4 敵対的訓練の複雑さを軽減することで、性能を損なわせることなく、より安定的かつ効率的な訓練が可能になるか。
• RQ5 血管の形態的および外観的差異が著しいにもかかわらず、本手法は脳血管のような小さな複雑な構造に対しても一般化可能か。

主な発見

• 提案されたA2Vフレームワークは、静脈血管分離において平均70.4%のDiceスコアを達成し、2番目に優れた手法（CS-CADA）を19.0ポイント以上上回った。
• ソースドメインにおいても高い性能を維持しており、脳構造物で97.5%のDiceスコアを記録した。これは、ソースからターゲットへの一般化能力の高さを示している。
• サイクル-GANにおける複数の生成器／識別器から、生成器1つ、識別器1つ、エンコーダ1つの構成に削減し、モデルの効率性と解釈可能性を向上させた。
• 2段階の訓練戦略により、敵対的損失の使用を最小限に抑え、訓練の収束がより安定的かつ高速になった。
• 視覚的結果から、本手法は空間的構造と血管トポロジーを保持しており、再現された静脈造影画像にリアルな動脈様の外観を生成していることが確認された。
• アブレーションスタディの結果、特に小さな複雑な血管において、分離された表現学習が正確な変換と分離に不可欠であることが確認された。