[論文レビュー] Enhancing Pseudo Label Quality for Semi-Supervised Domain-Generalized Medical Image Segmentation

Huifeng Yao, Xiaowei Hu+1 more|arXiv (Cornell University)|Jan 21, 2022

AI in cancer detection被引用数 11

ひとこと要約

本論文は、半教師ありドメイン一般化医療画像セグメンテーションにおける疑似ラベル品質の向上を目的として、フーリエ変換に基づくデータ拡張を組み合わせた信頼度に配慮したクロス疑似監視手法を提案する。ドメイン間の統計的パターンを活用し、疑似ラベルの分散を正則化することで、ドメインラベルが入手不可である状況下でも、M&Ms データセットにおいて2%のラベル付きデータでのみ、Dice スコアで先行手法を11.67%上回る最先端の性能を達成した。

ABSTRACT

Generalizing the medical image segmentation algorithms to unseen domains is an important research topic for computer-aided diagnosis and surgery. Most existing methods require a fully labeled dataset in each source domain. Although some researchers developed a semi-supervised domain generalized method, it still requires the domain labels. This paper presents a novel confidence-aware cross pseudo supervision algorithm for semi-supervised domain generalized medical image segmentation. The main goal is to enhance the pseudo label quality for unlabeled images from unknown distributions. To achieve it, we perform the Fourier transformation to learn low-level statistic information across domains and augment the images to incorporate cross-domain information. With these augmentations as perturbations, we feed the input to a confidence-aware cross pseudo supervision network to measure the variance of pseudo labels and regularize the network to learn with more confident pseudo labels. Our method sets new records on public datasets, i.e., M&Ms and SCGM. Notably, without using domain labels, our method surpasses the prior art that even uses domain labels by 11.67% on Dice on M&Ms dataset with 2% labeled data. Code is available at https://github.com/XMed-Lab/EPL_SemiDG.

研究の動機と目的

• 未知のドメインでテストする際のドメインシフトの課題に取り組むこと。ドメインラベルが入手不可である状況下で行う。
• 未知の分布からのラベルなし画像の疑似ラベル品質を向上させること。
• 各ドメインからの完全ラベル付きデータが不要な状況下でも、多様な医療画像ドメインに効果的に一般化できる手法を開発すること。
• ドメインラベルに依存しない状況で、既存のドメイン一般化および半教師あり手法を上回る性能を維持または向上させること。

提案手法

• ドメイン間をまたがる低レベルの統計的情報を抽出し、ラベルなし画像にクロスドメインの特徴を組み込むフーリエ変換に基づくデータ拡張を導入する。
• 拡張された画像を元の入力と変換された入力の間の予測分散を測定するための摂動として用いる。
• 高い分散をペナルティとして課す信頼度に配慮した正則化損失を実装し、より一貫性があり信頼性の高い予測を促進する。
• 共有重みだが異なる初期化を持つ二重ネットワークアーキテクチャを用いて、クロス疑似監視信号を生成および精緻化する。
• クロス疑似監視と分散に基づく信頼度正則化を組み合わせ、未知ドメインからのラベルなしデータの疑似ラベル信頼性を向上させる。
• ラベル付きデータと信頼度正則化付きの疑似ラベル付きラベルなしデータの組み合わせを用いて、モデルをエンドツーエンドで訓練する。

実験結果

リサーチクエスチョン

• RQ1 未知のドメインからのラベルなし医療画像において、半教師あり設定下で疑似ラベル品質を効果的に向上させることは可能か？
• RQ2 ドメインラベルが入手不可な状況下で、ドメイン間の統計的パターンを活用して疑似ラベルの一貫性を向上させることは可能か？
• RQ3 信頼度に配慮した分散正則化は、ドメイン一般化医療画像セグメンテーションにおけるモデルの一般化性能を向上させるか？
• RQ4 ドメインラベルが入手不可な状況下で、半教師あり手法が完全教師ありまたはドメイン適応手法を上回ることは可能か？

主な発見

• 提案手法は、M&Ms データセットにおいて2%のラベル付きデータでのみ、82.61%という新たな最先端のDiceスコアを達成し、先行手法を11.67%上回った。
• M&Ms データセットにおいて、2%のラベル付きデータ設定下で、前回の最良手法と比較してDiceスコアが約12%向上した。
• SCGM データセットでは、20%のラベル付きデータで前回の最良手法よりも7%のDiceスコア向上を達成した。
• アブレーションスタディの結果、フーリエ拡張、信頼度に配慮した正則化、クロス疑似監視の各コンポonentが性能向上に顕著に寄与していることが確認された。
• 可視化比較では、本手法が、前回の最先端手法（Meta, Liu et al. 2021b）と比較して、正解ラベルに近い疑似ラベルおよび最終セグメンテーションを生成していることが示された。
• ターゲットドメイン（例：M&MsにおけるドメインA）がソースドメインと視覚的に著しく異なる状況下でも、本手法は効果的に一般化しており、ドメインシフトに対して強いロバストネスを示した。