[論文レビュー] Contrastive Semi-Supervised Learning for 2D Medical Image Segmentation

Prashant Pandey, Ajey Pai+5 more|arXiv (Cornell University)|Jun 12, 2021

Domain Adaptation and Few-Shot Learning参考文献 29被引用数 8

ひとこと要約

本論文は、疑似ラベル付き領域から得られる意味的関連性のある画像パッチにコントラスト学習を適用し、確認バイアスを軽減し特徴量のクラスタリングを向上させるために、新しい一貫性正則化スキームを組み合わせた、2次元医用画像セグメンテーションの対照的半教師あり学習手法を提案する。本手法は、4つの公的および1つの新規ヒストパスロジー画像データセットにおいて、最先端の性能を達成した。

ABSTRACT

Contrastive Learning (CL) is a recent representation learning approach, which encourages inter-class separability and intra-class compactness in learned image representations. Since medical images often contain multiple semantic classes in an image, using CL to learn representations of local features (as opposed to global) is important. In this work, we present a novel semi-supervised 2D medical segmentation solution that applies CL on image patches, instead of full images. These patches are meaningfully constructed using the semantic information of different classes obtained via pseudo labeling. We also propose a novel consistency regularization (CR) scheme, which works in synergy with CL. It addresses the problem of confirmation bias, and encourages better clustering in the feature space. We evaluate our method on four public medical segmentation datasets and a novel histopathology dataset that we introduce. Our method obtains consistent improvements over state-of-the-art semi-supervised segmentation approaches for all datasets.

研究の動機と目的

• 2次元セグメンテーションにおけるアノテート済み医用画像の限界を克服するため、半教師あり学習を活用すること。
• グローバルな画像レベルの表現ではなく、局所的でクラス固有の特徴に注目することで、医用画像における表現学習を向上させること。
• 疑似ラベル付けにおける確認バイアスを軽減するため、新しい一貫性正則化スキームを導入すること。
• コントラスト学習と一貫性正則化の共同最適化により、特徴空間のクラスタリングを強化すること。
• 新規に導入されたヒストパスロジー画像データセットも含め、多様な医用画像データセット上で本手法を検証すること。

提案手法

• 教師モデルが生成する疑似ラベルに基づいて、関心領域から画像パッチを構築し、意味的関連性を保証する。
• 意味的意味を持つこれらのパッチに対してコントラスト学習を適用し、特徴空間におけるクラス内コンパクト性とクラス間分離性を強化する。
• 同じパッチの異なる増幅処理に対して一貫した予測を促す一貫性正則化スキームを導入し、確認バイアスを低減する。
• トレーニング中にコントラスト損失と一貫性正則化損失を共同で最適化することで、特徴量の質とモデルの汎化性能を向上させる。
• 教師モデルが疑似ラベルを提供する学生-教師フレームワークを採用し、学生モデルはセグメンテーションとコントラストの目的関数の組み合わせで更新される。
• 医用画像に特化したデータ増幅戦略を用いて、コントラスト学習のためのポジティブおよびネガティブなサンプルペアを生成する。

実験結果

リサーチクエスチョン

• RQ1 グローバルな画像レベルのコントラスト学習と比較して、意味的関連性のあるパッチにコントラスト学習を適用することで、2次元医用画像セグメンテーションの表現学習が向上するか？
• RQ2 提案された一貫性正則化スキームは、半教師あり学習中の確認バイアスを効果的に低減するか？
• RQ3 コントラスト学習と一貫性正則化の共同最適化は、特徴空間におけるクラスタリングをどのように向上させるか？
• RQ4 本手法は、ヒストパスロジーを含む多様な医用画像ドメインにどの程度一般化可能か？
• RQ5 本手法は、公的および新規に導入された医用画像セグメンテーションベンチマークで最先端の性能を達成するか？

主な発見

• 提案手法は、すべての4つの公的医用画像データセットにおいて、最先端の半教師ありセグメンテーション手法を一貫して上回った。
• 意味的関連性のあるパッチの使用は、ランダムまたはグローバルなパッチサンプリングと比較して、特徴表現の質を顕著に向上させた。
• 新規に導入された一貫性正則化スキームは、確認バイアスを効果的に低減し、より堅牢な疑似ラベル付けとモデルの汎化性能の向上に寄与した。
• 新規に導入されたヒストパスロジー画像データセットにおいても、本手法は強力な汎化性能を示し、多様な医用画像ドメインへの適用可能性を確認した。
• コントラスト学習と一貫性正則化の共同最適化により、埋め込み空間における特徴のクラスタリングが著しく改善され、セグメンテーション精度の向上が裏付けられた。
• 追加の推論時コンponentや複雑なアーキテクチャの変更を必要とせず、最先端の性能を達成した。