[論文レビュー] Embracing the Disharmony in Medical Imaging: A Simple and Effective Framework for Domain Adaptation

Rongguang Wang, Pratik Chaudhari+1 more|arXiv (Cornell University)|Mar 23, 2021

Domain Adaptation and Few-Shot Learning参考文献 111被引用数 58

ひとこと要約

本論文は、表現不変性を強制するのではなく、ラベルに依存する適応と補助タスクを活用することで、医療画像におけるデータの不整合性を受容する、新しいドメイン適応フレームワークを提案する。3D脳MRIデータセットを用いたアルツハイマー病および統合失調症分類において、イントラスタディ適応およびインタースタディ一般化の両面で顕著な性能向上を達成し、表現不変性を強制する手法を上回る性能を示した。

ABSTRACT

Domain shift, the mismatch between training and testing data characteristics, causes significant degradation in the predictive performance in multi-source imaging scenarios. In medical imaging, the heterogeneity of population, scanners and acquisition protocols at different sites presents a significant domain shift challenge and has limited the widespread clinical adoption of machine learning models. Harmonization methods which aim to learn a representation of data invariant to these differences are the prevalent tools to address domain shift, but they typically result in degradation of predictive accuracy. This paper takes a different perspective of the problem: we embrace this disharmony in data and design a simple but effective framework for tackling domain shift. The key idea, based on our theoretical arguments, is to build a pretrained classifier on the source data and adapt this model to new data. The classifier can be fine-tuned for intra-site domain adaptation. We can also tackle situations where we do not have access to ground-truth labels on target data; we show how one can use auxiliary tasks for adaptation; these tasks employ covariates such as age, gender and race which are easy to obtain but nevertheless correlated to the main task. We demonstrate substantial improvements in both intra-site domain adaptation and inter-site domain generalization on large-scale real-world 3D brain MRI datasets for classifying Alzheimer's disease and schizophrenia.

研究の動機と目的

• スキャナーや対象者集団、プロトコルの違いにより生じるドメインシフトの課題に取り組む。これは、モデルの一般化性能を低下させる要因となる。
• 表現不変性を強制することで予測精度を低下させる既存の統合手法の限界を克服する。
• ラベル情報を用いてイントラスタディ適応を実現する実用的フレームワークを開発する。また、ターゲットラベルが入手不可である状況でもインタースタディ一般化を可能にする。
• 年齢、性別、人種といった容易に入手可能な人口統計的共変量（デモグラフィック共変量）を補助タスクとして活用し、モデルの新しい画像条件への適応を支援する。
• 多様な年齢層、人種集団、スキャナータイプをカバーするモデル性能を向上させ、特に代表が不十分なサブグループにおいても効果を発揮する。

提案手法

• ソースデータで深層分類器を事前学習し、年齢、人種、スキャナータイプなどのサブグループに対してラベル情報を用いて微調整することで、イントラスタディ適応を実現する。
• 多様な集団や画像デバイス間での適応を安定化させるために、微調整プロセスに正則化項を導入する。
• インタースタディ一般化のため、ターゲットドメインデータに対して真のラベルが不要な補助タスク（性別分類や年齢推定）を活用する。
• ソースデータを用いて、主タスク（例：疾患分類）と補助タスクの両方のための共有特徴抽出器を学習する。
• ターゲットドメインで、補助タスクの監視信号のみを用いて特徴抽出器を微調整する。同時に、ソースデータを用いて主タスクヘッドの正則化を実施する。
• 人口統計的共変量を代理信号として活用し、ドメイン間の特徴を一致させる。これにより、直接的なラベルアクセスなしに転移性を実現できる。

実験結果

リサーチクエスチョン

• RQ1 医療画像において、表現不変性を学習するのではなく、微調整によるドメイン不整合の受容が、予測精度の向上に寄与するか？
• RQ2 ターゲットラベルが入手不可な状況下で、補助タスク学習（例：年齢・性別の予測）がドメイン一般化にどの程度有効か？
• RQ3 年齢層やスキャナータイプなどのサブグループに対するラベルに依存する微調整は、1つの研究内でのモデル性能をどの程度向上させるか？
• RQ4 神経画像診断におけるクロススタディ転移において、年齢予測は性別分類よりもより効果的な補助タスクとみなせるか？
• RQ5 転移学習は、年配の成人やアフリカ系アメリカ人などの代表が不十分なグループにおける性能格差を是正できるか？

主な発見

• 提案手法により、80歳以上群におけるアルツハイマー病分類の正確性が88.62％から97.10％に向上し、顕著なイントラスタディ適応効果を示した。
• PENNデータセットのアフリカ系アメリカン参加者において、転移学習後、予測正確性が95.36％から98.15％に上昇し、格差が縮小した。
• PENNデータセットの白人集団においても、正確性が90.23％から97.93％に向上し、多数派集団に対しても恩恵が及んだ。
• AIBLデータセットにおいて、Siemens Trioスキャナの性能が90.88％から98.51％に向上し、スキャナータイプに特化した改善効果が顕著に現れた。
• すべての実験において、年齢予測が性別分類を上回る性能を示し、神経画像診断におけるドメインシフトとより強い整合性を示した。
• 補助タスクを活用することで、インタースタディ一般化の面で顕著な向上を達成し、統合失調症分類の正確性がベースラインの51.02％からより高い水準にまで上昇した。