[論文レビュー] An Unsupervised Learning Model for Medical Image Segmentation.

Junyu Chen, Eric C. Frey|arXiv (Cornell University)|Jan 28, 2020

Medical Imaging Techniques and Applications被引用数 3

ひとこと要約

本稿では、畳み込みニューラルネットワーク（ConvNet）とエッジのないアクティブコンター（ACWE）モデルを統合することで、医療画像セグメンテーションのための教師なしおよび半教師ありの深層学習フレームワークを提案する。この手法により、豊富なアノテート済みデータに依存せずに、自己教師あり学習を用いてSPECT画像における高品質で高速な骨セグメンテーションが可能となり、データ量が少ない状況下でも優れた性能を示す。

ABSTRACT

For the majority of the learning-based segmentation methods, a large quantity of high-quality training data is required. In this paper, we present a novel learning-based segmentation model that could be trained semi- or un- supervised. Specifically, in the unsupervised setting, we parameterize the Active contour without edges (ACWE) framework via a convolutional neural network (ConvNet), and optimize the parameters of the ConvNet using a self-supervised method. In another setting (semi-supervised), the auxiliary segmentation ground truth is used during training. We show that the method provides fast and high-quality bone segmentation in the context of single-photon emission computed tomography (SPECT) image.

研究の動機と目的

• 深層学習に基づくセグメンテーションにおいて、高品質なアノテート済み医療画像データが限られているという課題に対処すること。
• 教師なしおよび半教師ありの両設定で効果的に動作するセグメンテーションモデルを開発すること。
• シンプレックスフォトンエミッションコンピュテッドトモグラフィ（SPECT）画像における高速かつ正確な骨セグメンテーションを実現すること。
• 物理的インスピレーションを受けるACWEアクティブコンター・モデルと学習可能なConvNetを統合し、一般化性能を向上させること。
• 自己教師あり最適化を活用することで、大規模な正解アノテーションへの依存を低減すること。

提案手法

• ACWEフレームワークを畳み込みニューラルネットワーク（ConvNet）でパrameter化し、画像固有のセグメンテーションパラメータを学習する。
• 教師なし設定では、データオーグメンテーションを介した一貫性を促進する自己教師あり目的関数によりConvNetを訓練する。
• 半教師あり設定では、訓練中に補助的な正解セグメンテーションマスクを用いることで収束性と正確性を向上させる。
• 学習されたConvNetパラメータを介して勾配を逆伝播させながら、ACWEのエネルギー関数を最適化する。
• ACWEの幾何学的および変分的性質を活用し、ネットワークが物理的に妥当なセグメンテーションへと導かれるようにする。
• エンドツーエンドの訓練により、ネットワークが画像特徴とセグメンテーションパラメータを同時に学習可能となる。

実験結果

リサーチクエスチョン

• RQ1 大規模なアノテート済みトレーニングデータに依存せずに、深層学習モデルが高品質な医療画像セグメンテーションを達成できるか？
• RQ2 学習可能なConvNetとACWEフレームワークを統合した場合、教師なしおよび半教師あり設定でどの程度の性能を示すか？
• RQ3 自己教師あり学習が、SPECT骨セグメンテーションタスクにおいて完全な教師あり学習に代わって効果的に機能するか？
• RQ4 半教師あり設定における補助的な正解アノテーションが、セグメンテーションの正確性および収束速度に与える影響は何か？
• RQ5 提案手法は、臨床的SPECT画像診断のシナリオにおいても、ロバスト性と高速性を維持できるか？

主な発見

• 提案手法は、最小限または一切のアノテート済みトレーニングデータで、SPECT画像における高品質な骨セグメンテーションを達成した。
• 教師なし設定では、正解ラベルが存在しないにもかかわらず、完全に教師ありベースラインと比較して競争力のある性能を示した。
• 半教師ありバージョンは、訓練中に補助的な正解マスクを活用することで、セグメンテーションの正確性をさらに向上させた。
• モデルは高速な推論を可能とし、リアルタイムまたは臨床応用に適している。
• 自己教師あり学習により、明示的な教師あり学習なしに意味のあるセグメンテーション特徴をネットワークが学習できることが実証された。
• ACWEと学習可能なConvNetの統合により、データ量が少ない状況下でも一般化性能とロバスト性が向上した。