[論文レビュー] Consensus Based Medical Image Segmentation Using Semi-Supervised Learning And Graph Cuts

Dwarikanath Mahapatra|arXiv (Cornell University)|Dec 7, 2016

Medical Image Segmentation Techniques参考文献 95被引用数 9

ひとこと要約

本稿では、半教師あり学習（SSL）とグラフカット（GC）を用いたコンSENSUSベースの医療画像セグメンテーション手法を提案する。複数の専門家によるアノテーションを統合するために、アノテーターの信頼性を定量化するための自己整合性（SC）スコアを導入し、SSLを用いて欠落したラベルを予測する。一方、GCは2次モードのMRFを最適化することで反復的リファインメントを必要とせず、グローバル最適化を達成し、EMベースの手法（STAPLE や LMSTAPLE）よりも精度と一貫性の高いセグメンテーションを実現する。

ABSTRACT

Medical image segmentation requires consensus ground truth segmentations to be derived from multiple expert annotations. A novel approach is proposed that obtains consensus segmentations from experts using graph cuts (GC) and semi supervised learning (SSL). Popular approaches use iterative Expectation Maximization (EM) to estimate the final annotation and quantify annotator's performance. Such techniques pose the risk of getting trapped in local minima. We propose a self consistency (SC) score to quantify annotator consistency using low level image features. SSL is used to predict missing annotations by considering global features and local image consistency. The SC score also serves as the penalty cost in a second order Markov random field (MRF) cost function optimized using graph cuts to derive the final consensus label. Graph cut obtains a global maximum without an iterative procedure. Experimental results on synthetic images, real data of Crohn's disease patients and retinal images show our final segmentation to be accurate and more consistent than competing methods.

研究の動機と目的

• 反復的期待最大化（EM）手法によるラベル統合の限界を解消する。EM手法は局所的最小値に収束するリスクがあり、計算コストが高いため。
• 半教師あり学習（SSL）を用いて、グローバルな特徴と局所的な画像一貫性を活用することで、欠落した専門家アノテーションを予測し、コンセンサスセグメンテーションを向上させる。
• 低レベルの画像特徴に基づく新規の自己整合性（SC）スコアを導入し、アノテーションの一貫性を定量化することで、信頼性の低いアノテーションの影響を低減する。
• 反復的最適化を必要とせず、グローバル最適解を保証するグラフカット（GC）を用いて、MRFの最適化を実現し、EMベースの代替手法よりも高速かつ安定した収束を達成する。
• マルコフ確率場（MRF）フレームワーク内にSSLとGCを統合することで、クローン病の腹部MRIおよび網膜フードス画像を含む医療画像分野におけるセグメンテーション精度と一貫性を向上させる。

提案手法

• 各専門家ごとに、局所的な画像特徴を用いて自己整合性（SC）スコアを計算し、同じラベルの領域内での特徴分布の類似度を測定することで、アノテーションの信頼性を評価する。
• 未ラベルのピクセルを、ラベル付きサンプルに基づいてモデル化することで、欠落したアノテーションを予測するため、半教師あり学習（SSL）を採用。グローバルな画像統計と特徴空間内の局所的一致性を両方活用する。
• 最終的なコンセンサスセグメンテーションは、SCスコアをペナルティ項として含む2次モードのマルコフ確率場（MRF）コスト関数を最適化することで得られる。これにより、一貫性のないアノテーションの影響が低減される。
• MRF最適化問題はグラフカット（GC）を用いて解き、反復的リファインメントを必要とせず、グローバル最適解を保証する。これにより、EMベース手法で一般的に見られる局所的最小値への収束を回避できる。
• 本フレームワークでは、SSLを用いてラベル予測を行い、GCを用いてセグメンテーションの精緻化を実現。SCスコアは、専門家の一貫性に応じて動的に寄与度を重み付けする。
• 本手法は、実際の腹部MRI（クローン病）、網膜フードス画像（視神経乳頭／杯のセグメンテーション）、および合成データに適用され、Diceスコアと一貫性指標を用いて評価された。

実験結果

リサーチクエスチョン

• RQ1 低レベルの画像特徴に基づく自己整合性（SC）スコアは、医療画像セグメンテーションにおける専門家アノテーションの信頼性を効果的に定量化できるか？
• RQ2 半教師あり学習（SSL）は、既存のラベルと一貫性を保ちつつ、EMベースの手法を上回る精度で欠落した専門家アノテーションを予測できるか？
• RQ3 グラフカット（GC）は、STAPLE や LMSTAPLE などの反復的EMベース手法よりも、より高速かつ高精度なコンセンサスセグメンテーションを達成できるか？
• RQ4 SCスコアによる専門家の一貫性の統合は、最終的なコンセンサスセグメンテーションのロバスト性と精度をどの程度向上させるか？
• RQ5 本手法は、実データおよび合成データにおいて、メジャリティ投票、STAPLE、LMSTAPLE、COLLATE と比較して、精度と計算効率の両面で優れているか？

主な発見

• 欠落ラベルとSC重み付けを組み合わせたGC手法（GC_ME）は、合成画像において最高のDiceスコア（0.87）を達成し、Diceメトリックの分散も最小であった。これは、すべてのベースラインを上回る結果であった。
• GC_MEは、完全な専門家アノテーションを用いたGC_ME-Allの95％の性能を達成し、SSLなしのGC_ME-wSSLよりも顕著に優れていた。これにより、SSLが欠落ラベル予測に有効であることが示された。
• GC_MEは、LMSTAPLEに比べ3倍、COLLATEに比べ2倍の高速化を達成した。これは、グラフカットの反復的でない性質によるものであり、同時に優れた精度を維持していた。
• SCスコアは、一貫性のないアノテーションの影響を効果的に低減した。GC_ME-wSC（SCなし）はGC_MEと比べ有意に性能が劣っており（p < 0.001）、SCの信頼性の低い専門家のフィルタリング機能が確認された。
• グラフカットは反復的リファインメントを必要とせず、グローバル最適化を達成した。これに対して、STAPLE や LMSTAPLE などのEMベース手法は、局所的最小値への収束に起因する収束問題に悩まされる。
• 本手法は実データでもロバストであることが示された。クローン病の腹部MRIおよび網膜フードス画像において、メジャリティ投票や他の統合戦略と比較して、より一貫性があり高精度なセグメンテーションが得られた。