[論文レビュー] Dual-Task Mutual Learning for Semi-Supervised Medical Image Segmentation

Yichi Zhang, Jicong Zhang|arXiv (Cornell University)|Mar 8, 2021

Advanced Neural Network Applications参考文献 28被引用数 9

ひとこと要約

本稿では、半教師あり医療画像セグメンテーションのための二重タスク相互学習フレームワークを提案する。このフレームワークは、2つのネットワークを同時に訓練することで、セグメンテーション確率マップと符号付き距離マップを予測し、協調学習と幾何学的形状正則化を可能にする。ラベルなしデータに対してタスク間の一貫性を強制することで、最先端の性能を達成し、左房セグメンテーションデータセットにおいて16枚のラベル付きスキャンと64枚のラベルなしスキャンのみを用いて90.12%のDiceスコアを達成した。

ABSTRACT

The success of deep learning methods in medical image segmentation tasks usually requires a large amount of labeled data. However, obtaining reliable annotations is expensive and time-consuming. Semi-supervised learning has attracted much attention in medical image segmentation by taking the advantage of unlabeled data which is much easier to acquire. In this paper, we propose a novel dual-task mutual learning framework for semi-supervised medical image segmentation. Our framework can be formulated as an integration of two individual segmentation networks based on two tasks: learning region-based shape constraint and learning boundary-based surface mismatch. Different from the one-way transfer between teacher and student networks, an ensemble of dual-task students can learn collaboratively and implicitly explore useful knowledge from each other during the training process. By jointly learning the segmentation probability maps and signed distance maps of targets, our framework can enforce the geometric shape constraint and learn more reliable information. Experimental results demonstrate that our method achieves performance gains by leveraging unlabeled data and outperforms the state-of-the-art semi-supervised segmentation methods.

研究の動機と目的

• 高価で時間がかかる医療画像の大量ラベル付きデータに依存するのを減らすため。
• 豊富なラベルなしデータを効果的に活用することで、半教師あり医療画像セグメンテーションの性能を向上させるため。
• 誤りを含むラベル付けを導入する可能性がある疑似ラベル化手法の限界を克服するため。
• 2つの異なるが補完的なタスク間の協調学習を通じて、モデルの頑健性と一般化性能を向上させるため。

提案手法

• フレームワークは2つの独立したネットワークで構成される：1つはセグメンテーション確率マップ（意味的セグメンテーションタスク）を予測するためのもので、もう1つは符号付き距離マップ（幾何学的形状制約タスク）を回帰するためのものである。
• 両ネットワークはラベル付きデータに対して教師あり損失関数を用いて訓練され、信頼性の高い初期化とタスク固有の表現学習が保証される。
• ラベルなしデータに対して非教師ありのタスク間一貫性損失が適用され、同じ入力に対して2つのネットワークの予測が一致するように制約がかかる。
• 符号付き距離マップの使用により、微分可能で連続的な監視信号が得られ、境界の幾何学的性質を符号化し、形状正則化を支援する。
• 相互学習はタスクレベルの知識交換を通じて達成される：各ネットワークは、タスク間で予測を一致させることで、互いに間接的に改善される。
• 両出力を統合した訓練目的関数が導入され、幾何学的一致性が強化され、限られたラベル付きデータでも一般化性能が向上する。

実験結果

リサーチクエスチョン

• RQ1 セグメンテーション確率マップと符号付き距離マップの共同学習は、半教師あり医療画像セグメンテーションの性能を向上させることができるか？
• RQ2 意味的セグメンテーションと境界幾何モデリングという2つの異なるタスク間の相互学習は、モデルの一般化性能をどのように向上させるか？
• RQ3 タスク間一貫性正則化を通じて、ラベルなしデータをどの程度効果的に活用できるか？
• RQ4 提案された二重タスクフレームワークは、セグメンテーションの正確性と頑健性の観点から、既存の最先端手法を上回る性能を示すか？

主な発見

• 本手法は、左房セグメンテーションデータセットにおいて16枚のラベル付きスキャンと64枚のラベルなしスキャンのみを用いて、90.12%のDiceスコアを達成し、比較したすべての最先端手法を上回った。
• 各タスクを独立して訓練した場合（個別ネットワークでは90.12% vs. 89.54% および 89.65%）に比べ、統計的に有意な向上（p < 0.05）を示した。
• 平均表面距離（ASD）は1.82ボクセル、95%平均ハウスドルフ距離（95HD）は7.01ボクセルまで低下し、境界の正確性が向上したことが示された。
• 可視化比較では、本手法がベースライン手法よりも真値マスクと高い重複度を示すセグメンテーションマスクを生成した。
• アブレーションスタディの結果、タスク間一貫性損失を除去すると性能が低下することが確認され、知識蒸留においてその重要性が裏付けられた。
• わずかラベル付きデータの20%で、ほぼ上限性能（Diceスコア91.14%）を達成したため、優れたデータ効率性を示した。