[論文レビュー] Employing Weak Annotations for Medical Image Analysis Problems

Martin Rajchl, Lisa M. Koch+5 more|arXiv (Cornell University)|Aug 21, 2017

Advanced Neural Network Applications参考文献 23被引用数 10

ひとこと要約

本稿では、低熟練度のクラウドアノテーション（例：バウンディングボックス、スクラッチ、事前セグメンテーション）と弱教師ありアトラスを組み合わせることで、外れ値を補正する弱教師付き肝臓セグメンテーション手法を提案する。クラウドアノテーションの誤差率が50%に達する場合でも、誤ったラベルを補正することで、最先端のDSCスコア（94%以上）を達成し、専門家によるアノテーションに依存しない正確なセグメンテーションを実現する。

ABSTRACT

To efficiently establish training databases for machine learning methods, collaborative and crowdsourcing platforms have been investigated to collectively tackle the annotation effort. However, when this concept is ported to the medical imaging domain, reading expertise will have a direct impact on the annotation accuracy. In this study, we examine the impact of expertise and the amount of available annotations on the accuracy outcome of a liver segmentation problem in an abdominal computed tomography (CT) image database. In controlled experiments, we study this impact for different types of weak annotations. To address the decrease in accuracy associated with lower expertise, we propose a method for outlier correction making use of a weakly labelled atlas. Using this approach, we demonstrate that weak annotations subject to high error rates can achieve a similarly high accuracy as state-of-the-art multi-atlas segmentation approaches relying on a large amount of expert manual segmentations. Annotations of this nature can realistically be obtained from a non-expert crowd and can potentially enable crowdsourcing of weak annotation tasks for medical image analysis.

研究の動機と目的

• 弱教師付きアノテーションを用いた肝臓セグメンテーション精度に、アノテーションの熟練度とアノテーション頻度が与える影響を評価すること。
• 非専門家による弱教師付きアノテーションが、専門家ラベルデータと同等の高いセグメンテーション精度を達成できるかどうかを調査すること。
• 低熟練度のアノテータからの誤ったアノテーションを是正するため、弱教師付きアトラスを用いた耐障害性の高い外れ値補正手法を開発・検証すること。
• 専門家ラベルデータへの依存を低減することで、スケーラブルでコスト効率の良い医療画像セグメンテーションを実現すること。

提案手法

• 本手法は、バウンディングボックス（BD）、スクラッチ（PS）、事前セグメンテーション（PS）といった弱教師付きアノテーションを、連続的マックスフローによるセグメンテーションフレームワークの入力として用いる。
• 弱教師付きアトラスは、集約された弱教師付きアノテーションから構築され、外れ値アノテーションの検出および是正の基準として機能する。
• 外れ値補正は、各アノテーションがアトラスとの整合性にどの程度あるかを比較することで実施され、整合性のないアノテーションは削除または是正される。
• セグメンテーションは、弱教師付きアノテーションからの空間的制約を組み込んだ連続的マックスフローアルゴリズムを用いて実行され、ボクセル単位のラベル割り当てがガイドされる。
• 本手法は、さまざまなアノテーション誤差率（ERR）とアノテーション頻度（AR）の下で評価され、性能はDice類似係数（DSC）で測定される。
• 本手法は、腹部CT肝臓セグメンテーションデータセット上で検証され、最先端のマルチアトラスセグメンテーション手法と比較されている。

実験結果

リサーチクエスチョン

• RQ1 非専門家による弱教師付きアノテーションが、肝臓CT画像解析において高いセグメンテーション精度を達成できるか？
• RQ2 アノテーション誤差率とアノテーション頻度（率）が、セグメンテーション性能にどのように影響を与えるか？
• RQ3 弱教師付きアトラスは、低熟練度のユーザーからの誤ったアノテーションを効果的に検出し是正できるか？
• RQ4 高誤差率の弱教師付きアノテーションを用いる場合、外れ値補正がセグメンテーション精度を顕著に向上させるか？

主な発見

• 外れ値補正を施した結果、25%のアノテーション頻度と最大25%の誤差率を有する長方形領域（RR）アノテーションでも、DSCが94.3%に達し、専門家レベルのマルチアトラスセグメンテーションと同等の性能を示した。
• 提案手法による外れ値補正は、高誤差状況（例：50% ERR）においても0.9以上のDSCポイントの向上を達成し、50%の誤差率であってもDSC > 94%を達成した。
• 補正なしでは、高頻度（例：100%）かつ高誤差率（例：25%）の状況でDSCが0.8未満に低下し、誤差の蓄積によるセグメンテーションの失敗が生じた。
• バウンディングボックス（BD）および事前セグメンテーション（PS）は、25%のアノテーション頻度まで堅牢に機能したが、高誤差率では是正処理が精度維持に不可欠であった。
• 低誤差率（例：0% ERR）では外れ値除去によりアノテーション頻度が減少したためDSCがわずかに低下したが、高誤差率では全体として性能が向上した。
• RRアノテーションを100%のアノテーション頻度、0%の誤差率で用いた場合、本手法は最先端のDSC 94.6%を達成し、完全に教師ありのマルチアトラス手法と同等の性能を示した。