[論文レビュー] Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images

Yanwen Li, Luyang Luo+3 more|arXiv (Cornell University)|Apr 7, 2021

COVID-19 diagnosis using AI参考文献 37被引用数 4

ひとこと要約

本稿では、胸部CTスキャンにおけるCOVID-19病変分類のための不確実性評価を組み込んだ二重整合性半教師あり学習フレームワーク、UDC-Netを提案する。ラベルなしデータの活用を高めるために、画像レベルの変換同値性と特徴量レベルの摂動不変性を強制する。また、信頼性とコンSENSUS不確実性を組み合わせて、頑健な整合性正則化を誘導し、77.4%のDiceスコアを達成。これは完全教師ありV-Netと比較して6.3%高く、半教師あり手法の中での最先端性能を達成した。

ABSTRACT

The novel coronavirus disease 2019 (COVID-19) characterized by atypical pneumonia has caused millions of deaths worldwide. Automatically segmenting lesions from chest Computed Tomography (CT) is a promising way to assist doctors in COVID-19 screening, treatment planning, and follow-up monitoring. However, voxel-wise annotations are extremely expert-demanding and scarce, especially when it comes to novel diseases, while an abundance of unlabeled data could be available. To tackle the challenge of limited annotations, in this paper, we propose an uncertainty-guided dual-consistency learning network (UDC-Net) for semi-supervised COVID-19 lesion segmentation from CT images. Specifically, we present a dual-consistency learning scheme that simultaneously imposes image transformation equivalence and feature perturbation invariance to effectively harness the knowledge from unlabeled data. We then quantify the segmentation uncertainty in two forms and employ them together to guide the consistency regularization for more reliable unsupervised learning. Extensive experiments showed that our proposed UDC-Net improves the fully supervised method by 6.3% in Dice and outperforms other competitive semi-supervised approaches by significant margins, demonstrating high potential in real-world clinical practice.

研究の動機と目的

• 胸部CTスキャンにおけるCOVID-19病変分類のための、エキスパートがアノテートしたボクセル単位のラベルが不足しているという課題に対処すること。
• 豊富なラベルなしCTデータを活用することで、半教師あり学習の効率を高めること。
• 信頼性とコンセンサスの二重不確実性を評価・統合し、整合性正則化に組み込むことで、モデルの頑健性を向上させること。
• 不規則で曖昧な病変輪郭を有する現実世界の臨床現場に適応する汎用性の高い手法を開発すること。
• 大規模なCOVID-19 CTデータセットにおいて、既存の半教師あり分類手法を上回ること。

提案手法

• 同じスキャンのマルチオーグメントビューを用いて、入力変換に伴う予測の一貫性を保つ画像レベルの変換同値性を強制する二重整合性学習方式を提案する。
• エンコーダーから得た摂動を加えた特徴量を補助デコーダーに供給し、主デコーダーと予測が一貫するようにすることで、特徴量レベルの摂動不変性を実装する。
• 複数のデコーダーの出力を用いて信頼性不確実性（予測の平均）とコンセンサス不確実性（予測の標準偏差）の二つの不確実性を計算する、マルチデコーダーV-Netアーキテクチャを導入する。
• 整合性正則化の過程で、低信頼性または高ばらつき（一貫性のない）予測をフィルタリングするために、学習された不確実性インジケータ関数を用いる。これにより、学習の安定性が向上する。
• ラベル付きデータには教師あり損失を、ラベルなしデータには整合性損失を適用し、不確実性重み付けを用いてノイズが多いまたは不確実なサンプルを抑制する。
• 入力空間および特徴量空間の両方で整合性正則化を適用する3DマルチデコーダーU-Netバックボーンを採用し、頑健で不変な表現を学習する。

実験結果

リサーチクエスチョン

• RQ1 入力空間および特徴量空間の両方での不変性を同時に強制する二重整合性学習は、リソースが限られた環境下での半教師あり病変分類を改善できるか？
• RQ2 マルチデコーダー出力に基づく不確実性評価は、半教師あり分類における整合性正則化の信頼性を向上させられるか？
• RQ3 信頼性とコンセンサス不確実性の統合は、曖昧な病変境界における一般化性能の向上と過学習の低減に寄与するか？
• RQ4 限られたラベル付きデータにおける分類精度と頑健性の観点から、本手法は最先端の半教師あり分類モデルと比較して優れているか？
• RQ5 実臨床応用において、高精度を維持しつつ、ラベル付きデータへの依存度をどの程度低減できるか？

主な発見

• UDC-Netは77.4% ± 0.14のDiceスコアを達成し、完全教師ありV-Netベースライン（71.1%）と比較して6.3%の向上を示した。
• Mean Teacher、UA-MT、TCSM、CCTといった他の最先端の半教師ありモデルと比較して、Diceスコアで最低1.8%、Jaccardスコアで最低2.2%の優位性を示した。
• ラベル付きスキャンが32例、ラベルなしスキャンが140例の条件下でも、UDC-Netは75.0%のDiceスコアと61.5%のJaccardスコアを達成し、ラベル付きデータを2倍にしたCCTと同等の性能を発揮した。
• ラベル付きスキャン65例、ラベルなしスキャン708例の条件下では、UDC-Netが77.4%のDiceスコアと64.5%のJaccardスコアを達成し、ラベルなしデータを5倍多く使用したCCTを上回った。
• 平均表面距離（ASD）は3.9 mmであり、比較対象の全手法と比較して顕著に低く、輪郭精度の優位性を示した。
• アブレーションスタディの結果、信頼性＋コンセンサスの二重不確実性が単一不確実性よりも効果的であることが確認され、補完的な指針を提供し、モデルの頑健性を向上させた。