[論文レビュー] Extreme Augmentation : Can deep learning based medical image segmentation be trained using a single manually delineated scan?

Bilwaj Gaonkar, Edwards, Matthew+3 more|arXiv (Cornell University)|Oct 3, 2018

Medical Imaging and Analysis参考文献 30被引用数 7

ひとこと要約

この論文は、1つの手動で輪郭が描かれたスキャンのみを用いて、極端なデータ拡張を適用することで、深層学習ベースの医療画像セグメンテーションが臨床的に使用可能な性能に達することを示している。1つのスキャンと50倍の拡張により、モデルはDiceスコア0.73を達成した。9つのスキャンを用いた場合、スコアは0.86に上昇し、重いデータ拡張により手動によるアノテーションの必要性を著しく低減でき、今後のトレーニングに必要な専門家の補正を最小限に抑えたセグメンテーションを生成できることを示している。

ABSTRACT

Yes, it can. Data augmentation is perhaps the oldest preprocessing step in computer vision literature. Almost every computer vision model trained on imaging data uses some form of augmentation. In this paper, we use the inter-vertebral disk segmentation task alongside a deep residual U-Net as the learning model, to explore the effectiveness of augmentation. In the extreme, we observed that a model trained on patches extracted from just one scan, with each patch augmented 50 times; achieved a Dice score of 0.73 in a validation set of 40 cases. Qualitative evaluation indicated a clinically usable segmentation algorithm, which appropriately segments regions of interest, alongside limited false positive specks. When the initial patches are extracted from nine scans the average Dice coefficient jumps to 0.86 and most of the false positives disappear. While this still falls short of state-of-the-art deep learning based segmentation of discs reported in literature, qualitative examination reveals that it does yield segmentation, which can be amended by expert clinicians with minimal effort to generate additional data for training improved deep models. Extreme augmentation of training data, should thus be construed as a strategy for training deep learning based algorithms, when very little manually annotated data is available to work with. Models trained with extreme augmentation can then be used to accelerate the generation of manually labelled data. Hence, we show that extreme augmentation can be a valuable tool in addressing scaling up small imaging data sets to address medical image segmentation tasks.

研究の動機と目的

• 深層学習モデルが、医療画像セグメンテーションにおいて極めて小さな手動アノテーションデータセットで効果的にトレーニング可能かどうかを調査すること。
• 1つまたは数個のスキャンしか利用できない状況において、極端なデータ拡張がモデル性能に与える影響を評価すること。
• 限られた専門家によるアノテーションリソースを持つ臨床現場でのトレーニングデータ作成を加速する実用的な戦略を提案すること。
• 拡張されたモデルが、最小限の専門家補正で臨床的に使用可能なセグメンテーションを生成できることを実証すること。

提案手法

• 128×128ピクセルの入力パッチをT1強調MRIスキャンから抽出し、深層残差U-Netアーキテクチャを用いた。
• パッチは回転、スケーリング、シアー、ミラーなどの幾何変換を用いて拡張され、1つの元のパッチあたり最大50回の拡張が行われた。
• 予測されたセグメンテーションマスクと正解マスクの間のDice係数を最大化するようにモデルをトレーニングした。
• トレーニングには1〜9例の手動で輪郭が描かれたスキャンを用い、パッチあたりの拡張レベルは5倍から50倍まで変動させた。
• 汎化性能を評価するために、複数のスキャナから得た40例の独立したスキャンを検証に使用した。
• 臨床医による定性的な評価を通じて、セグメンテーションの臨床的使用可能性と誤検出のパターンを評価した。

実験結果

リサーチクエスチョン

• RQ1 1つの手動で輪郭が描かれたスキャンでのみトレーニングされた深層学習モデルが、臨床的に有用なセグメンテーション性能を達成できるか？
• RQ2 トレーニングデータが極めて限られている状況で、極端なデータ拡張がセグメンテーション性能に与える影響は何か？
• RQ3 拡張されたモデルが、医療画像セグメンテーションにおける手動アノテーションの必要性をどの程度低減できるか？
• RQ4 モデルの出力は、最小限の作業で臨床医が補正可能であり、追加のトレーニングデータの生成に利用できるか？

主な発見

• 1つの手動で輪郭が描かれたスキャンと50倍のデータ拡張を用いた場合、40例の検証セットでDiceスコア0.73を達成した。
• 9つのスキャンを用い、50倍の拡張を施した場合、平均Diceスコアは0.86に上昇した。
• 定性的な評価では、セグメンテーションが臨床的に使用可能であり、補正が必要な誤検出の斑点は限定的であった。
• モデルの出力は最小限の専門家補正で済み、新たにラベル付けされたデータで効率的な再トレーニングが可能であった。
• 極端なデータ拡張は、小さなデータセットでも顕著に性能を向上させ、低データ環境下での標準的な拡張戦略を上回った。
• 結果から、極端なデータ拡張は、限られたアノテーションリソースを持つ臨床現場における深層学習モデル開発を加速するスケーラブルな戦略である可能性がある。