[論文レビュー] Embracing Imperfect Datasets: A Review of Deep Learning Solutions for Medical Image Segmentation

Nima Tajbakhsh, Laura Jeyaseelan+4 more|arXiv (Cornell University)|Aug 27, 2019

Advanced Neural Network Applications参考文献 171被引用数 331

ひとこと要約

医用画像分割における希少で弱いアノテーションに対処する方法の総合的な調査で、データ拡張、外部データの活用、ドメイン適応、堅牢な学習戦略を網羅する。

ABSTRACT

The medical imaging literature has witnessed remarkable progress in high-performing segmentation models based on convolutional neural networks. Despite the new performance highs, the recent advanced segmentation models still require large, representative, and high quality annotated datasets. However, rarely do we have a perfect training dataset, particularly in the field of medical imaging, where data and annotations are both expensive to acquire. Recently, a large body of research has studied the problem of medical image segmentation with imperfect datasets, tackling two major dataset limitations: scarce annotations where only limited annotated data is available for training, and weak annotations where the training data has only sparse annotations, noisy annotations, or image-level annotations. In this article, we provide a detailed review of the solutions above, summarizing both the technical novelties and empirical results. We further compare the benefits and requirements of the surveyed methodologies and provide our recommended solutions. We hope this survey article increases the community awareness of the techniques that are available to handle imperfect medical image segmentation datasets.

研究の動機と目的

• 不完全な医用データセットに対して効果的な分割が必要であることを強調して研究の動機づけを行う。
• データセットの制約を希少なアノテーションと弱いアノテーションに分類し、それに対応する解決策を要約する。
• 実証的な結果を伴うデータ中心・学習中心の手法を調査し、実践の指針を提供する。
• 不完全なデータセットに対する実用的な解決策を推奨するための費用対効果の観点を提供する。

提案手法

• 医用画像分割における希少アノテーションと弱いアノテーションに分類して手法を整理・検討する。
• 希少性に対するデータ拡張、外部ラベル付きデータの活用、CRFベースの改良を要約する。
• 外部データを活用するための転移学習、ドメイン適応、データセット融合を要約する。
• クラスアクティベーションマップ、マルチプルインスタンス学習、堅牢な損失設計を含む弱いアノテーションに対する学習戦略を論じる。
• 性能、実装の難易度、データ要件で手法を比較し、推奨事項を提示する。

実験結果

リサーチクエスチョン

• RQ1 医用画像分割における希少アノテーションを扱う主要な技術は何か。
• RQ2 スパース、ノイズ、画像レベルのラベルなどの弱いアノテーションを分割に有効に活用するにはどうすればよいか。
• RQ3 不完全なデータセットにおけるデータ中心の拡張、外部データ活用、正則化手法のトレードオフは何か。
• RQ4 ドメイン適応とマルチドメイン学習は臨床画像設定における一般化をどのように向上させるか。

主な発見

• 従来の方法、mixup、合成戦略を含むデータ拡張は、限られたアノテーション下で過学習を抑制するのに役立つ。
• ターゲットデータが不足している場合、転移学習、ドメイン適応、データセット融合を通じた外部ラベル付きデータが分割精度を向上させる。
• CRFベースの後処理と正則化手法は追加のアノテーションなしで分割品質を高める。
• Domain adaptation using GANs, CycleGANs, and MUNIT addresses distribution shifts across scanners, modalities, and patient populations.
• Weakly supervised techniques like class activation maps and selective losses enable learning from image-level or sparse annotations.
• The survey provides a cost-gain framework to guide choosing approaches based on data availability and resources.