[論文レビュー] Contrastive Registration for Unsupervised Medical Image Segmentation

Lihao Liu, Angelica I. Avilés-Rivero+1 more|arXiv (Cornell University)|Nov 17, 2020

Medical Image Segmentation Techniques参考文献 53被引用数 12

ひとこと要約

本論文では、CNNベースのアーキテクチャを用いて、画像レベルの登錻と特徴レベルの対照的学習を統合することで、空間的アライメントと判別性の高い特徴表現の両方を同時に最適化する、新しい教師なし医療画像セグメンテーション手法CLMorphを提案する。脳および心臓のMRIデータセットにおいて、最先端の性能を達成し、BraTSデータセットではDiceスコア0.763を達成する。

ABSTRACT

Medical image segmentation is a relevant task as it serves as the first step for several diagnosis processes, thus it is indispensable in clinical usage. Whilst major success has been reported using supervised techniques, they assume a large and well-representative labelled set. This is a strong assumption in the medical domain where annotations are expensive, time-consuming, and inherent to human bias. To address this problem, unsupervised techniques have been proposed in the literature yet it is still an open problem due to the difficulty of learning any transformation pattern. In this work, we present a novel optimisation model framed into a new CNN-based contrastive registration architecture for unsupervised medical image segmentation. The core of our approach is to exploit image-level registration and feature-level from a contrastive learning mechanism, to perform registration-based segmentation. Firstly, we propose an architecture to capture the image-to-image transformation pattern via registration for unsupervised medical image segmentation. Secondly, we embed a contrastive learning mechanism into the registration architecture to enhance the discriminating capacity of the network in the feature-level. We show that our proposed technique mitigates the major drawbacks of existing unsupervised techniques. We demonstrate, through numerical and visual experiments, that our technique substantially outperforms the current state-of-the-art unsupervised segmentation methods on two major medical image datasets.

研究の動機と目的

• 手動ラベルに依存しない教師なしセグメンテーション手法の開発により、医療画像のラベル付けコストの高さとラベルの希少性に対処すること。
• 画像レベルの登錻と特徴レベルの対照的表現学習を統合することで、教師なしセグメンテーションの性能を向上させること。
• 医療画像分野における教師ありと教師なしセグメンテーション手法の性能格差を埋めること。
• 対照的学習が、セグメンテーションに必要なラベルを必要とせずに、登錻ベースのセグメンテーションにおける特徴の判別性を向上させられることを示すこと。

提案手法

• 本手法は、アライメントされていない画像とリファレンス画像からのCNN特徴を抽出するために、重み共有エンコーダアーキテクチャを採用する。
• VoxelMorphにインspiredされたアーキテクチャを用いて、画像間変換マッピングを学習することで、登錻ベースのセグメンテーションタスクを定式化する。
• アライメントされていない画像とリファレンス画像の特徴を比較するための対照的学習ヘッドを導入し、判別性の高い特徴学習を促進する。
• 滑らかさ損失（登錻用）と対照的損失（特徴の判別用）を組み合わせた統合損失関数を最適化する。
• 対照的損失は、2つの画像からの潜在的特徴表現に適用され、一致する画像-リファレンスペア（ポジティブペア）に対して特徴の不変性を促進する。
• ネットワーク全体を教師なしでエンドツーエンドに訓練し、学習された変換を介してリファレンス画像のセグメンテーションマスクをアライメントされていない画像に転送する。

実験結果

リサーチクエスチョン

• RQ1 画像登錻と組み合わせた対照的表現学習は、教師なし医療画像セグメンテーションの性能向上に寄与するか？
• RQ2 特徴レベルの対照的学習の統合は、登錻ベースのセグメンテーションモデルの判別能力にどのように影響するか？
• RQ3 教師なし手法が、医療画像セグメンテーション分野で教師ありSOTA手法にどれほど近づけるか？
• RQ4 提案アーキテクチャにおいて、登錻損失と対照的損失の最適なバランスは何か？

主な発見

• CLMorphはBraTSデータセットでDiceスコア0.763を達成し、既存の教師なし手法を顕著に上回る。
• アブレーションスタディの結果、対照的学習および登錻の両成分がセグメンテーション性能向上に寄与していることが確認された。
• ACDC心臓MRIデータセットでは、DiceおよびASSD指標において、すべてのベースラインを上回り、HDにおいても競争力のある結果を示した。
• 可視化結果から、CLMorphはより細かな解剖的構造を保持し、ベースラインと比較してぼやけた登錻出力を抑制していることが示された。
• 最適なハイパーパramータの組み合わせはα=1（滑らかさ損失）およびβ=0.01（対照的損失）であり、これが最高のDiceスコアをもたらした。
• 本手法は、脳および心臓画像を含む、さまざまな解剖的構造に強く一般化できることを示した。