[論文レビュー] Cost-Effective Active Learning for Melanoma Segmentation

Marc Górriz Blanch, Axel Carlier+2 more|arXiv (Cornell University)|Nov 24, 2017

AI in cancer detection参考文献 8被引用数 72

ひとこと要約

この論文は、モンテカルロドロップアウトを用いてピクセル単位の不確実性を推定し、補完的なサンプル選択を導くコスト効果の高いアクティブラーニングフレームワークを提案し、限られた注釈でISIC 2017上で9回の反復後にDice 74%を達成。

ABSTRACT

We propose a novel Active Learning framework capable to train effectively a convolutional neural network for semantic segmentation of medical imaging, with a limited amount of training labeled data. Our contribution is a practical Cost-Effective Active Learning approach using dropout at test time as Monte Carlo sampling to model the pixel-wise uncertainty and to analyze the image information to improve the training performance. The source code of this project is available at https://marc-gorriz.github.io/CEAL-Medical-Image-Segmentation/ .

研究の動機と目的

• 注釈コストのため、医用画像分割におけるラベリング作業負荷の削減を動機付ける。
• 医用画像におけるCNNのセマンティック分割のための実用的なCEALベースのフレームワークを開発する。
• モンテカルロドロップアウトからのピクセル単位の不確実性を組み込み、情報量の多いサンプル選択と疑似ラベル付けを推進する。

提案手法

• ピクセル単位の不確実性推定のために、ネットワーク重みの事後分布を近似するためにMonte Carlo Dropoutを用いる。
• 画像全体で複数のドロップアウト対応予測を集約して、ピクセル単位の不確実性マップを計算する。
• 距離変換で不確実性マップに重みを付け、等高線を強調して最終的不確実性スコアを精練する。
• 不確実性マップを、ピクセル不確実性と距離重み付けを合計して、ラベリング信頼度スコアに変換する。
• 補完的なサンプル選択を実装する：低信頼度サンプルにラベルを付け、高信頼度サンプルに疑似ラベルを付け、反復精練のために一定割合の不確実なサンプルを含める。
• CEAL戦略を用いたU-Netベースのセマンティック分割に適用し、手作業ラベリングを削減する。
• ISIC 2017皮膚病変データセットを、600ラベル付きと1000ラベルなしのサンプルで、アクティブラーニングを模擬する。

実験結果

リサーチクエスチョン

• RQ1 医用画像分割において、ピクセル単位の不確実性を効果的に活用してアクティブラーニングを導くにはどうすればよいか。
• RQ2 コスト効果の高いCEALフレームワークは、ラベリングの必要性を減らしつつ分割性能を維持できるか。
• RQ3 不確実、非検出、疑似ラベル付けサンプルを組み合わせた場合が、反復を通じたモデル性能に与える影響は何か。
• RQ4 距離加重不確実性がメラノーマ分割における輪郭の精度にどのように影響するか。

主な発見

• ISIC 2017で9回のアクティブラーニング反復の後、Dice係数74%を達成。
• 不確実、非検出、ランダム、および疑似ラベル付きサンプルを組み合わせることで、分割性能が段階的に改善できることを示した。
• 距離を考慮した重み付けを伴うピクセル単位の不確実性が、困難な輪郭領域への学習に焦点を当てることを示した。
• 関心領域の中心部が性能を制限する可能性があり、後半の反復でさらなる改良の余地を示唆した。