[論文レビュー] ACCL: Adversarial constrained-CNN loss for weakly supervised medical image segmentation

Pengyi Zhang, Yunxin Zhong+1 more|arXiv (Cornell University)|May 1, 2020

Adversarial Robustness in Machine Learning被引用数 11

ひとこと要約

本論文は、参照マスクを用いた敵対的学習により、高次分布制約として事前知識を強制する、弱教師付き医療画像セグメンテーションの新規手法ACCLを提案する。セグメンテーション出力ではなく参照マスク上で訓練されたディスクラミネーターを用いることで、ACCLは最先端の性能を達成し、たった0.65%のアノテーション比で平均Diceスコア75.4%を達成した。これは、先行する最先端手法よりも11.4%高い。

ABSTRACT

We propose adversarial constrained-CNN loss, a new paradigm of constrained-CNN loss methods, for weakly supervised medical image segmentation. In the new paradigm, prior knowledge is encoded and depicted by reference masks, and is further employed to impose constraints on segmentation outputs through adversarial learning with reference masks. Unlike pseudo label methods for weakly supervised segmentation, such reference masks are used to train a discriminator rather than a segmentation network, and thus are not required to be paired with specific images. Our new paradigm not only greatly facilitates imposing prior knowledge on network's outputs, but also provides stronger and higher-order constraints, i.e., distribution approximation, through adversarial learning. Extensive experiments involving different medical modalities, different anatomical structures, different topologies of the object of interest, different levels of prior knowledge and weakly supervised annotations with different annotation ratios is conducted to evaluate our ACCL method. Consistently superior segmentation results over the size constrained-CNN loss method have been achieved, some of which are close to the results of full supervision, thus fully verifying the effectiveness and generalization of our method. Specifically, we report an average Dice score of 75.4% with an average annotation ratio of 0.65%, surpassing the prior art, i.e., the size constrained-CNN loss method, by a large margin of 11.4%. Our codes are made publicly available at https://github.com/PengyiZhang/ACCL.

研究の動機と目的

• 最小限の人為的アノテーションで弱教師付き医療画像セグメンテーションの課題に対処すること。
• 参照マスクを用いて事前知識を統合することで、セグメンテーション性能を向上させること。
• 敵対的学習を活用してセグメンテーション出力の分布レベル制約を強制する、新たなパラダイムの開発。
• 多様な医療画像モodalities、解剖的構造、アノテーション比にわたる優れた一般化性能を達成すること。
• 特に低アノテーション比の環境下で、既存の制約付き-CNN手法を上回ること。

提案手法

• ACCLは、事前知識が参照マスクに符号化され、それらを用いてディスクラミネーターを訓練する新しい損失フレームワークを導入する。
• ディスクラミネーターは、実際の参照マスクと偽のセグメンテーション出力を区別し、分布レベルの整合性を強制する。
• 疑似ラベル手法とは異なり、参照マスクは特定の画像とペアにされず、セグメンテーションネットワークの直接的な訓練に使用されない。
• セグメンテーションネットワークはディスクラミネーターを欺くように訓練され、結果として参照マスクの統計的分布に一致する出力を学習する。
• 敵対的学習と制約付き-CNNの原則を組み合わせることで、より高次の分布レベルの制約を課す。
• このフレームワークはさまざまなネットワークアーキテクチャと互換性があり、画像-マスクペアのアノテーションを必要としない。

実験結果

リサーチクエスチョン

• RQ1 参照マスクを用いた敵対的学習は、疑似ラベル手法を上回る弱教師付き医療画像セグメンテーションを可能にするか？
• RQ2 参照マスク上で訓練されたディスクラミネーターは、従来のサイズベースの制約よりも強力で高次の制約を強制できるか？
• RQ3 ACCLは、多様な医療画像モダリティと解剖的構造、さまざまなレベルの事前知識において、どのように性能を発揮するか？
• RQ4 ACCLは、極めて低いアノテーション比でも、ほぼ完全教師付きの性能に近い結果を達成できるか？
• RQ5 既存の制約付き-CNN手法と比較して、ACCLは異なるトポロジーとアノテーション比にわたって、どの程度一般化性能を発揮するか？

主な発見

• ACCLは、たった0.65%のアノテーション比で平均Diceスコア75.4%を達成し、先行する最先端手法を著しく上回った。
• サイズ制約付き-CNN損失手法との比較では、平均Diceスコアで11.4パーセンテージポイントの向上を示し、顕著な性能向上を実証した。
• 本手法は、さまざまな医療画像モダリティ、解剖的構造、オブジェクトトポロジーにわたって一般化可能であった。
• 全テストアノテーション比および事前知識レベルにおいて、一貫した優位性が示された。
• 極めて少ないアノテーションでさえも、完全教師付きベースラインに近いセグメンテーション性能を達成した。
• コードの公開により、再現性が確保され、弱教師付き医療画像セグメンテーション分野におけるさらなる研究が促進された。