[論文レビュー] Conditional Domain Adaptation GANs for Biomedical Image Segmentation.

Hugo Oliveira, Edemir Ferreira+1 more|arXiv (Cornell University)|Jan 16, 2019

Domain Adaptation and Few-Shot Learning参考文献 14被引用数 5

ひとこと要約

本論文は、デジタイゼーション技術の違いに起因するドメインシフトを緩和するため、ラベル付きおよびラベルなしデータを活用して、画像特性が異なるドメイン間で画像セグメンテーション性能を向上させる条件付きドメイン適応GANを提案する。敵対的訓練と条件付き監視を組み合わせることで、特にラベルが少ない状況でも一貫した性能向上を達成し、多くのケースでJaccardスコアが0.9を超える。

ABSTRACT

Due to visual differences in biomedical image datasets acquired using distinct digitization techniques, Transfer Learning is an important step for improving the generalization capabilities of Neural Networks in this area. Despite succeeding in classification tasks, most Domain Adaptation strategies face serious limitations in segmentation. Therefore, improving on previous Image Translation networks, we propose a Domain Adaptation method for biomedical image segmentation based on adversarial networks that can learn from both unlabeled and labeled data. Our experimental procedure compares our method using several domains, datasets, segmentation tasks and baselines, performing quantitative and qualitative comparisons of the proposed method with baselines. The proposed method shows consistently better results than the baselines in scarce label scenarios, often achieving Jaccard values greater than 0.9 and adequate segmentation quality in most tasks and datasets.

研究の動機と目的

• デジタイゼーション技術の違いに起因するバイオメディカル画像セグメンテーションにおけるドメインシフトを解消すること。
• アノテーションデータが乏しいラベルが少ない状況でのセグメンテーション性能を向上させること。
• ラベル付きおよびラベルなしデータを効果的に活用するドメイン適応手法を開発すること。
• セグメンテーションのような高密度予測タスクにおける従来のドメイン適応戦略の限界を克服すること。
• 多様なバイオメディカルデータセットおよびセグメンテーションタスクにおいて最先端の性能を達成すること。

提案手法

• 本手法は、敵対的訓練を通じてドメイン不変特徴を学習する条件付きGANフレームワークを採用する。
• ラベル付きデータからの条件付き監視を統合し、セグメンテーションネットワークの学習をガイドする。
• ラベルなしデータを用いて、ソースドメインとターゲットドメイン間の特徴分布を統合する。
• 敵対的損失とセグメンテーション損失を用いてエンドツーエンドに訓練することで、ドメイン適応と予測精度を最適化する。
• セグメンテーションヘッドとドメイン識別器を組み合わせたアーキテクチャにより、共同最適化を可能にする。
• 一般化性能の評価を目的として、複数のデータセットおよび画像モodalitiesでアプローチを評価する。

実験結果

リサーチクエスチョン

• RQ1 条件付きドメイン適応GANは、異なるバイオメディカル画像ドメイン間でセグメンテーション性能を効果的に向上させることができるか？
• RQ2 本手法は、従来のドメイン適応ベースラインと比較して、ラベルが少ないデータ設定下でどのように性能を発揮するか？
• RQ3 モデルはどの程度、多様なデータセットおよびセグメンテーションタスクに一般化できるか？
• RQ4 ラベル付きおよびラベルなしデータの統合は、より良いドメイン統合とセグメンテーション精度をもたらすか？
• RQ5 敵対的訓練は、セグメンテーションタスクにおける特徴分布の統合にどのような影響を及えるか？

主な発見

• 提案手法は、ラベルが少ない状況下でも、大多数のセグメンテーションタスクおよびデータセットでJaccardスコアが0.9を超える。
• 定量的および定性的な評価の両方において、ベースラインのドメイン適応手法を一貫して上回る性能を示す。
• ラベル付きサンプルが少数しかない状況でも、高いセグメンテーション品質を維持する。
• ラベル付きおよびラベルなしデータの両方を活用することで、ドメイン適応性能が顕著に向上する。
• 異なるバイオメディカル画像ドメインおよび取得技術にわたり、良好な一般化性能を示す。
• 定性的な結果から、多様なテストケースにおいて正確で一貫性のあるセグメンテーションマスクが得られている。