[論文レビュー] Embryo Staging with Weakly-Supervised Region Selection and Dynamically-Decoded Predictions

Tingfung Lau, Nathan Ng+4 more|arXiv (Cornell University)|Oct 28, 2019

Reproductive Biology and Fertility被引用数 1

ひとこと要約

本論文は、弱教師あり学習を用いて、時間分解能動画における自動胚ステージングのための手法を提案する。領域提案ネットワークと分類器を同時に学習させ、教師なしボックスを用いずに胚の局所化を実現し、下流分類損失に基づいて強化学習を用いて領域提案を最適化する。さらに動的計画法デコーダーを適用して段階的進行の単調性を保証し、より高い精度とより低い遷移誤差を達成し、既存手法に比して最先端の性能を示した。

ABSTRACT

To optimize clinical outcomes, fertility clinics must strategically select which embryos to transfer. Common selection heuristics are formulas expressed in terms of the durations required to reach various developmental milestones, quantities historically annotated manually by experienced embryologists based on time-lapse EmbryoScope videos. We propose a new method for automatic embryo staging that exploits several sources of structure in this time-lapse data. First, noting that in each image the embryo occupies a small subregion, we jointly train a region proposal network with the downstream classifier to isolate the embryo. Notably, because we lack ground-truth bounding boxes, our we weakly supervise the region proposal network optimizing its parameters via reinforcement learning to improve the downstream classifier's loss. Moreover, noting that embryos reaching the blastocyst stage progress monotonically through earlier stages, we develop a dynamic-programming-based decoder that post-processes our predictions to select the most likely monotonic sequence of developmental stages. Our methods outperform vanilla residual networks and rival the best numbers in contemporary papers, as measured by both per-frame accuracy and transition prediction error, despite operating on smaller data than many.

研究の動機と目的

• 時間分解能EmbryoScope動画における胚ステージングを自動化し、熟練胚細胞学者による手動アノテーションに依存するのを低減すること。
• 地面真理ボクシングボックスを必要とせず、弱教師あり学習を活用して各フレーム内での胚の局所化を実現すること。
• 動的計画法に基づくデコーダーを用いた後処理により、発生段階を単調に進行させるようにすること。
• 特に限られた学習データにおいて、予測精度を向上させるとともに、遷移誤差を低減すること。

提案手法

• 分類器の分類損失のみを監視信号として用い、領域提案ネットワークと下流分類器を同時に学習させ、各フレームにおける胚の局所化を実現する。
• 強化学習を用いて領域提案ネットワークを最適化し、方策（行動）としての領域提案が、下流分類器の損失に基づいて更新される。
• 動的計画法に基づくデコーダーが、元の予測を後処理して、最も妥当な単調な発生段階の系列を選択する。
• ボクシングボックスのアノテーションを一切必要とせず、分類性能による弱教師あり学習に基づいて、局所化と分類の両方を共同で最適化する。
• 構造的事前知識を活用する：胚の空間的局所化と段階的進行の単調性。

実験結果

リサーチクエスチョン

• RQ1 時間分解能動画における胚の弱教師あり局所化が、地面真理ボックスを一切用いずに、下流のステージング精度を向上させることができるか？
• RQ2 分類損失のみが利用可能な状況で、強化学習が領域提案を効果的に最適化できるか？
• RQ3 動的デコーディングによる段階的進行の単調性の強制が、予測の信頼性をどの程度向上させるか？
• RQ4 本手法は、完全教師ありベースラインと比較して、小さなデータセットでも競争力のある性能を達成できるか？

主な発見

• 提案手法は、vanillaの残差ネットワークに比して、フレーム単位の精度と遷移予測誤差の両面で優れた性能を示した。
• 小さなデータセットで学習を行っても、最近の文献における最高水準の結果と同等の性能を達成した。
• 弱教師あり学習による領域提案ネットワークは、ボクシングボックスのアノテーションを一切不要として、効果的に胚を局所化した。
• 動的計画法デコーダーは、単調な段階的進行を効果的に強制し、一貫性のない予測を低減した。