[論文レビュー] Efficient Semi-Supervised Gross Target Volume of Nasopharyngeal Carcinoma Segmentation via Uncertainty Rectified Pyramid Consistency

Xiangde Luo, Wenjun Liao+7 more|arXiv (Cornell University)|Dec 13, 2020

Head and Neck Cancer Studies参考文献 28被引用数 23

ひとこと要約

本稿では、限られたラベル付きMRIデータを用いて鼻咽頭がん（NPC）のGTV（全病巣体積）セグメンテーションを効率的に行うための、未知の半教師付き学習フレームワークである不確実性補正ピラミッド整合性（URPC）を提案する。ピラミッドネットワークからのマルチスケール予測を活用し、1回の順伝播で予測分散を用いて不確実性を推定することで、整合性正則化を向上させ、最先端の性能を達成した。50%のラベル付きデータでの実験で、平均Diceスコアは82.74%に達した。

ABSTRACT

Gross Target Volume (GTV) segmentation plays an irreplaceable role in radiotherapy planning for Nasopharyngeal Carcinoma (NPC). Despite that Convolutional Neural Networks (CNN) have achieved good performance for this task, they rely on a large set of labeled images for training, which is expensive and time-consuming to acquire. In this paper, we propose a novel framework with Uncertainty Rectified Pyramid Consistency (URPC) regularization for semi-supervised NPC GTV segmentation. Concretely, we extend a backbone segmentation network to produce pyramid predictions at different scales. The pyramid predictions network (PPNet) is supervised by the ground truth of labeled images and a multi-scale consistency loss for unlabeled images, motivated by the fact that prediction at different scales for the same input should be similar and consistent. However, due to the different resolution of these predictions, encouraging them to be consistent at each pixel directly has low robustness and may lose some fine details. To address this problem, we further design a novel uncertainty rectifying module to enable the framework to gradually learn from meaningful and reliable consensual regions at different scales. Experimental results on a dataset with 258 NPC MR images showed that with only 10% or 20% images labeled, our method largely improved the segmentation performance by leveraging the unlabeled images, and it also outperformed five state-of-the-art semi-supervised segmentation methods. Moreover, when only 50% images labeled, URPC achieved an average Dice score of 82.74% that was close to fully supervised learning.

研究の動機と目的

• NPCのGTVセグメンテーションのための深層学習モデルを訓練する際の高いアノテーションコストを低減し、完全ラベル付きデータへの依存を減らす。
• ラベルなしデータからのノイズや信頼性の低い偽ラベルによって引き起こされる半教師付き学習の不安定性と詳細の損失を克服する。
• 計算コストの高いモンテカルロサンプルを回避する、高速で安定した不確実性推定手法を効率的に開発する。
• マルチスケール予測間の整合性を強制することで、半教師付き医療画像セグメンテーションにおける一般化性能とロバスト性を向上させる。
• 特にアノテーションに時間がかかる臨床現場において、最小限のラベル付きデータで完全教師あり学習に近い性能を達成する。

提案手法

• 1つの入力に対して複数の空間スケールでセグメンテーション出力を生成するピラミッド予測ネットワーク（PPNet）を設計する。
• ラベル付き画像に対して、すべてのピラミッドスケールで標準的な教師あり損失を適用し、マルチスケール特徴の学習を支援する。
• ラベルなし画像に対してピラミッド整合性損失を適用することで、異なる解像度間での予測の一貫性を促進する。
• 1回の順伝播でスケール間の予測分散を用いて不確実性を推定し、計算コストの高いモンテカルロサンプルを置き換える。
• 不確実性を動的に抑制することで、信頼性の低い予測（例：境界付近）を制御し、訓練の安定性を向上させるとともに、微細な詳細を保持する不確実性補正モジュールを導入する。
• 不確実性マップを用いて整合性損失をガイドし、信頼性の高い領域に焦点を当てて学習を進め、ノイズに起因する崩壊を低減する。

実験結果

リサーチクエスチョン

• RQ1 マルチスケール予測の一貫性は、半教師付き医療画像セグメンテーションにおける効果的で効率的な正則化信号として機能するか？
• RQ2 スケール間の予測分散から推定される不確実性は、モンテカルロドロップアウトに代わって性能を損なわず、不確実性推定に使用できるか？
• RQ3 不確実性を考慮した整合性は、GTVセグメンテーションにおけるモデルのロバスト性を向上させるとともに、微細な解剖学的詳細を保持するか？
• RQ4 半教師付きフレームワークは、NPCのGTVセグメンテーションにおいて、どの程度のアノテーション負担を軽減しつつも高いセグメンテーション精度を維持できるか？
• RQ5 性能と計算効率の観点から、提案手法は最先端の半教師付き手法と比較してどのように差をつけるか？

主な発見

• ラベル付きデータが10%の状況でも、提案手法URPCは平均Diceスコア81.22%を達成し、教師あり学習（77.44%）および既存のSOTA手法を顕著に上回った。
• ラベル付きデータが20%の状況でも、URPCは平均Diceスコア81.22%を達成し、EM、UAMT、DANを含むすべての比較SOTA手法を上回った。
• ラベル付きデータが50%の状況では、URPCは平均Diceスコア82.74%を達成し、完全教師あり学習（100%ラベルで83.51%）に非常に近い性能を示した。
• URPCが生成した不確実性マップは境界領域を的確に特定しており、信頼性の高い信頼度推定が行われ、ノイズ抑制に寄与していることが示された。
• 本手法は、特に3Dボリュームレベルの評価において、優れた一般化性能と偽陰性の低減を示した。
• 1回の順伝播による不確実性推定により、複数回の順伝播を要する手法と比較して、トレーニング時間とメモリコストを削減した。