[論文レビュー] Generalizable Medical Image Segmentation via Random Amplitude Mixup and Domain-Specific Image Restoration

Ziqi Zhou, Lei Qi+1 more|arXiv (Cornell University)|Aug 8, 2022

Medical Image Segmentation Techniques被引用数 7

ひとこと要約

本稿では、ランダムアンプリチュードミックスアップ（RAM）とドメイン固有の画像復元（DSIR）を用いて、多様な画像ドメインにわたるモデルのロバスト性を向上させる、医療画像セグメンテーションのための新規ドメイン一般化手法を提案する。フーリエ変換に基づくアンプリチュードミキシングを用いてスタイライズド画像を合成し、自己教師付き復元ヘッドを訓練することで、特徴の一般化を向上させ、網膜および前立腺画像セグメンテーションベンチマークで最先端の性能を達成した。

ABSTRACT

For medical image analysis, segmentation models trained on one or several domains lack generalization ability to unseen domains due to discrepancies between different data acquisition policies. We argue that the degeneration in segmentation performance is mainly attributed to overfitting to source domains and domain shift. To this end, we present a novel generalizable medical image segmentation method. To be specific, we design our approach as a multi-task paradigm by combining the segmentation model with a self-supervision domain-specific image restoration (DSIR) module for model regularization. We also design a random amplitude mixup (RAM) module, which incorporates low-level frequency information of different domain images to synthesize new images. To guide our model be resistant to domain shift, we introduce a semantic consistency loss. We demonstrate the performance of our method on two public generalizable segmentation benchmarks in medical images, which validates our method could achieve the state-of-the-art performance.

研究の動機と目的

• 限られたソースドメインからの学習における医療画像セグメンテーションモデルの一般化性能の低さという課題に対処する。
• より強いモデル正則化を導入することで、ソースドメインへのオーバーフィッティングとドメインシフトの問題を克服する。
• ターゲットドメインデータへのアクセスを必要とせずに、未観測のターゲットドメインに対するロバスト性を向上させる。
• 画像再構成と一貫性損失を介してドメイン不変特徴学習を強化する自己教師付きトレーニングパラダイムを開発する。
• 網膜および前立腺画像セグメンテーションのための公開ドメイン一般化ベンチマークで最先端の性能を実証する。

提案手法

• 2つの異なるドメインの画像からアンプリチュードマップをフーリエ変換で抽出し、それらを組み合わせることでドメイン特徴を混合した新しいスタイライズド画像を生成するランダムアンプリチュードミックスアップ（RAM）モジュールを導入する。
• RAMで生成された画像をデータオーグメンテーションとして用い、トレーニング分布の多様性を向上させることでセグメンテーションモデルを学習する。
• RAMでオーグメントされた画像から元のソースドメイン画像を再構成する自己教師付きドメイン固有画像復元（DSIR）モジュールを実装し、特徴の一貫性とロバスト性を強制する。
• 標準的なセグメンテーション損失、本物画像とオーグメント済み画像の予測間の意味的一貫性損失、およびDSIRモジュールからの画像再構成損失を組み合わせたマルチタスク損失でセグメンテーションモデルを訓練する。
• 本物のソースドメイン画像とそれらのRAMオーグメント版の予測の差異を最小化する意味的一貫性損失を適用し、ドメイン不変表現学習を促進する。
• セグメンテーション損失、一貫性損失、再構成損失の組み合わせを最適化することで、未観測ドメインへの一般化性能を向上させるエンドツーエンドのネットワーク最適化を実施する。

実験結果

リサーチクエスチョン

• RQ1 ランダムアンプリチュードミックスアップは、ターゲットドメインデータを必要とせずに、一般化性能を向上させるために多様でドメイン混合の画像を効果的に合成できるか？
• RQ2 自己教師付きドメイン固有画像復元モジュールの導入により、医療画像セグメンテーションにおける特徴のロバスト性とモデル一般化性能が向上するか？
• RQ3 意味的一貫性損失は、ドメインシフトを受ける入力に対して予測ばらつきをどの程度低減できるか？
• RQ4 RAMおよびDSIRモジュールが、医療画像セグメンテーションにおいて未観測ターゲットドメインで性能を向上させるにあたり、個別および共同でどの程度の効果を示すか？
• RQ5 提案手法は、トレーニング目的関数におけるさまざまな一貫性損失関数（MSE、JS-Div、KL-Div）に対してロバストであるか？

主な発見

• 提案されたRAM-DSIR手法は、網膜および前立腺画像セグメンテーションの2つの公開ドメイン一般化ベンチマークで最先端の性能を達成した。
• アブレーションスタディの結果、ベースラインに比べてRAMモジュールの追加により、網膜データセットでDiceスコアが2.12%向上し、前立腺データセットで3.23%向上した。
• DSIRモジュールは、網膜データセットで追加で1.58%、前立腺データセットで1.03%のDiceスコア向上をもたらした。
• 意味的一貫性損失は一般化性能を顕著に向上させ、その除去により両データセットで一貫した性能低下が観察された。
• 異なる一貫性損失タイプ（MSE、JS-Div、KL-Div）に対して本手法はロバストであり、同等の性能を示した。特にKL-Divは網膜データセットで88.94%の最高Diceスコアを達成した。
• すべてのモジュールを統合した完全なモデルが最良の性能を示し、RAM、DSIR、意味的一貫性損失がドメイン一般化を強化する上で補完的役割を果たしていることを確認した。