[論文レビュー] Few Labeled Atlases are Necessary for Deep-Learning-Based Segmentation

Hyeon Woo Lee, Mert R. Sabuncu+1 more|arXiv (Cornell University)|Aug 13, 2019

Medical Image Segmentation Techniques参考文献 38被引用数 8

ひとこと要約

この論文は、脳MRIにおける深層学習ベースのセグメンテーションが、たった3枚のラベル付きアトラスで高い精度を達成できることを示しており、大規模なアノテート済みデータセットが不可欠であるという仮定に疑問を呈する。本研究では、マルチアトラスフレームワーク内での自己教師あり学習に基づく登録手法を提案し、ラベルなしデータを活用することでセグメンテーション性能を向上させ、完全教師ありモデルと比較してDiceスコアの差が4ポイント以内に収まり、表面距離誤差を顕著に低減している。

ABSTRACT

We tackle biomedical image segmentation in the scenario of only a few labeled brain MR images. This is an important and challenging task in medical applications, where manual annotations are time-consuming. Current multi-atlas based segmentation methods use image registration to warp segments from labeled images onto a new scan. In a different paradigm, supervised learning-based segmentation strategies have gained popularity. These method consistently use relatively large sets of labeled training data, and their behavior in the regime of a few labeled biomedical images has not been thoroughly evaluated. In this work, we provide two important results for segmentation in the scenario where few labeled images are available. First, we propose a straightforward implementation of efficient semi-supervised learning-based registration method, which we showcase in a multi-atlas segmentation framework. Second, through an extensive empirical study, we evaluate the performance of a supervised segmentation approach, where the training images are augmented via random deformations. Surprisingly, we find that in both paradigms, accurate segmentation is generally possible even in the context of few labeled images.

研究の動機と目的

• ラベル付き脳MRI画像が少数しかない状況下での深層学習ベースのセグメンテーションの性能を評価すること。
• 自己教師あり学習が低データ環境下におけるマルチアトラスセグメンテーションをどのように改善できるかを調査すること。
• データ拡張を用いた教師あり学習と、学習ベースの登録を施したマルチアトラスセグメンテーションの有効性を比較すること。
• 最小限のラベル付きアトラスでセグメンテーション精度を向上させる、新たな自己教師あり登録手法の開発と検証すること。

提案手法

• ラベルなし画像とラベル付き画像の間の変形場を深層ニューラルネットワークで計算する自己教師あり学習ベースの登録手法を提案し、非教師あり損失関数を用いて最適化する。
• 画像類似度に正規化相互相関（NCC）を、滑らかさ正則化項を組み合わせた損失関数を採用し、解剖学的に妥当な変形を保証する。
• 学習された登録をマルチアトラスセグメンテーションパイプラインに統合し、複数のアトラスから変形されたラベルを統合して最終的なセグメンテーションを生成する。
• 教師あり学習ベースのセグメンテーション（SegNet）において、限られた学習データでも頑健性を高めるために、ランダムな3次元変形をデータ拡張として適用する。
• 29の解剖的構造に対して、Diceスコアと表面距離（SD）の両方の指標を用いてセグメンテーション精度を評価する。
• Buckner40データセットを用いて、1〜10枚のラベル付きアトラスを用いた状況で、モデルの学習とテストを実施し、性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースのセグメンテーションは、脳MRI画像を3枚以下しかラベル付けしない場合でも高い精度を達成できるか？
• RQ2 自己教師あり学習ベースの登録は、低データ環境下におけるマルチアトラスセグメンテーションをどのように改善するか？
• RQ3 訓練データが限られる状況下で、教師あり学習におけるデータ拡張は、セグメンテーション性能を顕著に向上させるか？
• RQ4 小規模および大規模な解剖的構造において、異なるセグメンテーション戦略のDiceスコアおよび表面距離の観点から、性能にどのような差が生じるか？
• RQ5 ラベル付きデータが極めて限られた状況下で、自己教師あり登録手法が、標準的なマルチアトラス手法および教師あり学習手法を上回る性能を示せるか？

主な発見

• 3枚のラベル付きアトラスでのみ、提案手法MAS-SSは完全教師ありのSegNetベースラインとDiceスコアの差が4ポイント以内に収まる。
• MAS-SSは全解剖的構造において平均表面距離を0.4 mm未満、最大表面距離を7 mm未満に低減した。
• 3枚未満のアトラスが使用される状況では、MAS-SSが標準的なマルチアトラス手法およびデータ拡張付きSegNetの両方を、Diceスコアの観点で一貫して上回った。
• MAS-SSは、扁桃体や海馬のような小体積構造に対しても優れた性能を示し、他の手法が失敗する状況でも高いDiceスコアを維持した。
• データ拡張はSegNetの性能を顕著に向上させたが、より多くのアトラスを使用しても、MAS-SSに比べて表面距離が高くなる傾向にあり、トポロジー上の不正確さが示された。
• 本研究では、深層学習によるセグメンテーションが大規模なラベル付きデータセットを必要としないことが示された。最小限の監視のもとでも高い精度が達成可能である。