[論文レビュー] Domain Adaptation for the Segmentation of Confidential Medical Images

Serban Stan, Mohammad Rostami|arXiv (Cornell University)|Jan 2, 2021

COVID-19 diagnosis using AI被引用数 4

ひとこと要約

本稿では、適応段階でソースドメインデータにアクセスできない状況下でも動作する、医療画像セマンティックセグメンテーションのための新規教師なしドメイン適応（UDA）手法を提案する。この手法は、ソースドメインの内部分布を表現するためのガウス・ミックスチャネル・モデル（GMM）を用いる。本手法は、心臓および腹部のMRI/CTセグメンテーションタスクにおいて、学習済みのソース分布にターゲット特徴を整合させることで、ソース・ターゲットの同時アクセスを必要とする最先端（SOTA）手法を上回る競争力ある性能を達成する。

ABSTRACT

Convolutional neural networks (CNNs) have led to significant improvements in the semantic segmentation of images. When source and target datasets come from different modalities, CNN performance suffers due to domain shift. In such cases data annotation in the target domain becomes necessary to maintain model performance. To circumvent the re-annotation process, unsupervised domain adaptation (UDA) is proposed to adapt a model to new modalities using solely unlabeled target data. Common UDA algorithms require access to source domain data during adaptation, which may not be feasible in medical imaging due to data sharing restrictions. In this work, we develop an algorithm for UDA where the source domain data is inaccessible during target adaptation. Our approach is based on encoding the source domain information into an internal distribution that is used to guide adaptation in the absence of source samples. We demonstrate the effectiveness of our algorithm by comparing it to state-of-the-art medical image semantic segmentation approaches on two medical image semantic segmentation datasets.

研究の動機と目的

• プライバシーまたはセキュリティ上の制約によりデータ共有が不可能な状況下で、画像モodalitiyの違い（例：MRI対CT）に起因するドメインシフトを是正すること。
• 推論時および適応段階でソースドメインのサンプルにアクセスできない状況下でも、新しいターゲットドメインへの適応を可能にするUDAフレームワークの開発。
• GMMを用いてソースドメインの内部分布を学習・保持し、その情報を用いてターゲットドメインにおける特徴統合をガイドすること。
• ターゲットドメインの医療画像において高いセグメンテーション精度を達成するとともに、臓器境界の品質を維持し、ラベルシフトを最小限に抑えること。
• 直接的なドメイン統合ではなく、学習済みのソース分布を介した間接的統合が、ソース・ターゲットの同時アクセスを要する手法と同等またはそれを上回る性能を達成できることを示すこと。

提案手法

• 適応の前段階で、ソース特徴量を用いてトレーニングされたGMMを用いて、ソースドメインの内部特徴分布を推定する。
• 適応段階では、GMMを用いてターゲット特徴とソースドメインのGMM成分との距離を最小化することで、ソースとターゲットの特徴を統合する。
• ソースモデルからの高信頼度予測を用いてGMMを精緻化し、ソース分布への表現の忠実度を向上させる。
• 自己教師付きの一貫性損失とエントロピー最小化を用いて、ラベルなしターゲットデータの予測を精緻化する。
• 複雑なソース分布をモデル化するため、各クラスごとに複数のGMM成分（ω = 3が最適と特定）を用いることで、特徴の分離性を向上させる。
• UMAP可視化を用いてGMM埋め込みの品質を分析し、異なる信頼度閾値（ρ = 0.97）におけるクラス分離性を検証する。

実験結果

リサーチクエスチョン

• RQ1 ソースデータへの直接アクセスができない状況下でも、GMMに基づくソースドメインの内部表現が、医療画像セグメンテーションにおけるドメイン適応を効果的にガイドできるか？
• RQ2 高信頼度予測を用いてGMMを精緻化することで、ドメイン統合の品質およびセグメンテーション性能にどのような影響を与えるか？
• RQ3 クラスごとのGMM成分数が、セグメンテーション精度および境界精度に与える影響の程度はどの程度か？
• RQ4 本手法は、ソース・ターゲットの同時アクセスを要するSOTA UDA手法と比較して、Diceスコアおよび表面距離指標においてどのように性能を発揮するか？
• RQ5 適応段階におけるラベルシフトの影響は何か？ これはセグメンテーション性能を向上させるか、悪化させるか？

主な発見

• 心臓MRからCTへの適応タスクにおいて、本手法は平均Diceスコア81.3%を達成し、1-SFSベースライン（AA: 86.2%、LAC: 83.5%、LVC: 75.4%、MYO: 70.9%）を上回り、ソースデータへのアクセスを要するSOTA手法と同等またはそれを上回る性能を示した。
• クラスごとにω = 3のGMM成分を用いることで、1-SFSベースラインと比較して平均対称表面距離（ASSD）が30%低減され、境界局在化の精度が向上した。
• ラベルシフト分析の結果、適応段階で20%以上のピクセルがクラス遷移を経験したが、その多くがLVCおよびMYOクラス間で精度向上をもたらした。
• 信頼度閾値ρ = 0.97の高い条件下でも本手法は頑健性を示し、UMAP可視化によりGMM埋め込み特徴空間におけるクラス分離性が向上していることが確認された。
• アブレーションスタディの結果、1つ以上のGMM成分をクラスごとに用いることで性能が向上し、ω = 3を超えると利得の減少が見られたことから、ω = 3が性能とバランスを考慮した最適な選択であると正当化された。
• 腹部臓器データセットでは、ほとんどのクラスにおいてラベルシフトが1%未満に抑えられ、誤分類の多くが「無視」に補正されたり、正しく再割り当てされたことから、優れた一般化性能を示した。