[論文レビュー] Adaptive Hierarchical Dual Consistency for Semi-Supervised Left Atrium Segmentation on Cross-Domain Data

Jun Chen, Heye Zhang+5 more|PubMed|Sep 17, 2021

COVID-19 diagnosis using AI参考文献 50被引用数 10

ひとこと要約

本論文では、クロスドメインの医療画像データにおける左房（LA）セグメンテーションのための半教師あり学習フレームワーク、適応的階層的二重整合性（AHDC）を提案する。双方向の敵対的インファレンスを用いてドメインの特徴分布を整合させるとともに、階層的二重整合性モジュールによりドメイン内およびドメイン間の補完的情報を活用することで、最小限のラベル付きデータで最先端のセグメンテーション精度を達成し、4つのLGE-CMRおよび1つのCTデータセットにおいて既存手法を上回った。

ABSTRACT

Semi-supervised learning provides great significance in left atrium (LA) segmentation model learning with insufficient labelled data. Generalising semi-supervised learning to cross-domain data is of high importance to further improve model robustness. However, the widely existing distribution difference and sample mismatch between different data domains hinder the generalisation of semi-supervised learning. In this study, we alleviate these problems by proposing an Adaptive Hierarchical Dual Consistency (AHDC) for the semi-supervised LA segmentation on cross-domain data. The AHDC mainly consists of a Bidirectional Adversarial Inference module (BAI) and a Hierarchical Dual Consistency learning module (HDC). The BAI overcomes the difference of distributions and the sample mismatch between two different domains. It mainly learns two mapping networks adversarially to obtain two matched domains through mutual adaptation. The HDC investigates a hierarchical dual learning paradigm for cross-domain semi-supervised segmentation based on the obtained matched domains. It mainly builds two dual-modelling networks for mining the complementary information in both intra-domain and inter-domain. For the intra-domain learning, a consistency constraint is applied to the dual-modelling targets to exploit the complementary modelling information. For the inter-domain learning, a consistency constraint is applied to the LAs modelled by two dual-modelling networks to exploit the complementary knowledge among different data domains. We demonstrated the performance of our proposed AHDC on four 3D late gadolinium enhancement cardiac MR (LGE-CMR) datasets from different centres and a 3D CT dataset. Compared to other state-of-the-art methods, our proposed AHDC achieved higher segmentation accuracy, which indicated its capability in the cross-domain semi-supervised LA segmentation.

研究の動機と目的

• 心房細動の診断における左房（LA）セグメンテーションにおけるラベル付きデータの不足という課題に対処すること。
• 複数の病院で得られた心筋MRIとCTデータ間のドメインシフトおよびサンプル不一致を、半教師あり学習において克服すること。
• 一致したサンプルを必要とせず、複数のデータドメインからの補完的情報を活用することで、モデルの一般化性能を向上させること。
• 特にリソースが限られた環境においても、最小限のラベル付きデータで高い性能を維持できるフレームワークを開発すること。
• 異種のデータ分布を整合させ、ドメイン間で特徴の整合性を高めることで、効果的なクロスドメイン半教師あり学習を実現すること。

提案手法

• 異なるデータドメイン間の特徴分布を整合させるために、二重の相互作用型ドメイン適応ネットワークを学習する双方向敵対的インファレンス（BAI）モジュールを導入する。
• 二重モデリングネットワークを用いてドメイン内およびドメイン間の両方の整合性制約を課す階層的二重整合性（HDC）モジュールを実装する。
• 同じドメインのラベルなしデータに対する二重モデリング予測の整合性を強制することで、ドメイン内整合性を適用する。
• 異なるドメインで訓練された二重ネットワークの予測を一致させることで、ドメイン間の補完的知識を活用する。
• 異なるドメインからの条件付き独立な特徴を抽出するために直交制約を適用し、ドメイン固有の特徴を保持しながらドメイン間学習を強化する。
• 推論時に注意機構のブランチを削除し、ローカルモデリングヘッドのみを保持することで、計算コストを低減する。なお、自己注意は$8\times8$の特徴パッチに限定して適用する。

実験結果

リサーチクエスチョン

• RQ1 限られたラベル付きデータで、異種の医療画像ドメインにわたる半教師あり学習が、効果的に一般化可能であるか。
• RQ2 複数病院の心筋MRIとCTデータ間のドメイン分布のシフトおよびサンプル不一致を、半教師ありセグメンテーションにおいてどのように軽減できるか。
• RQ3 ドメイン内およびドメイン間学習から得られる補完的情報が、ラベル付きデータが少ない環境下で、セグメンテーション性能をどの程度向上できるか。
• RQ4 提案された階層的二重整合性メカニズムは、既存の半教師あり学習およびドメイン一般化手法を上回る性能を示すか。
• RQ5 正則化係数$\lambda_{ow}$のようなハイパーパrameterの選択に、モデルの性能がどの程度敏感か。

主な発見

• AHDCは、3つの病院からの0%のラベル付きデータと1つの病院からの100%のラベルなしデータを用いて学習した場合、Dice類似係数（DSC）が$0.938 \pm 0.015$を達成し、同じ条件下でベースラインU-Netの$0.923 \pm 0.025$を上回った。
• Jaccardインデックスは$0.883 \pm 0.026$まで向上し、平均表面距離（ASD）は$0.506 \pm 0.164$まで低下し、セグメンテーションの精度と表面の正確性が優れていることが示された。
• 直交制約はドメイン間で一貫した精度向上を示し、ハイパーパrameterの変動（$\lambda_{ow} = 0.1$および$1.0$）に対しても頑健であったことから、ドメイン固有の特徴を効果的に抽出できることを確認した。
• AHDCは強力なクロスドメイン一般化性能を示し、ドメインシフトやラベルのばらつきが存在する状況下でも、単一病院の全ラベル付きデータで学習したモデルを上回る性能を達成した。
• アブレーションスタディにより、BAIおよびHDCモジュールの両方が性能向上に寄与していることが確認され、特にHDCモジュールがドメイン間のラベルなしデータを効果的に活用していることが分かった。
• 訓練後、注意機構のブランチを削除し、軽量なローカルモデリングヘッドのみに依存することで、推論における高い効率性を維持した。