[論文レビュー] Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical Image Segmentation

Yinghuan Shi, Jian Zhang+6 more|arXiv (Cornell University)|Oct 17, 2021

COVID-19 diagnosis using AI被引用数 7

ひとこと要約

本稿では、異なる誤分類コストにおける予測不一致を通じて不確実性を推定する半教師付き医療画像セグメンテーションモデル、CoraNetを提案する。保守的・急進的モジュールを用いて、確実な領域と不確実な領域を特定する。本手法は、CT膵臓、MR心膜、ACDCマルチ構造セグメンテーションタスクにおいて最先端性能を達成し、完全教師あり性能に近づき、Diceスコアで最大1.5%の向上を達成した。

ABSTRACT

In semi-supervised medical image segmentation, most previous works draw on the common assumption that higher entropy means higher uncertainty. In this paper, we investigate a novel method of estimating uncertainty. We observe that, when assigned different misclassification costs in a certain degree, if the segmentation result of a pixel becomes inconsistent, this pixel shows a relative uncertainty in its segmentation. Therefore, we present a new semi-supervised segmentation model, namely, conservative-radical network (CoraNet in short) based on our uncertainty estimation and separate self-training strategy. In particular, our CoraNet model consists of three major components: a conservative-radical module (CRM), a certain region segmentation network (C-SN), and an uncertain region segmentation network (UC-SN) that could be alternatively trained in an end-to-end manner. We have extensively evaluated our method on various segmentation tasks with publicly available benchmark datasets, including CT pancreas, MR endocardium, and MR multi-structures segmentation on the ACDC dataset. Compared with the current state of the art, our CoraNet has demonstrated superior performance. In addition, we have also analyzed its connection with and difference from conventional methods of uncertainty estimation in semi-supervised medical image segmentation.

研究の動機と目的

• 従来の半教師付き医療画像セグメンテーションにおける不確実性推定の限界、特にソフトマックスベースの信頼度と事前定義されたしきい値に依存する点を是正すること。
• コスト感受性設定下での一貫性のない予測を特定することで、モデル初期化の信頼性を向上させること。
• 確実な領域と不確実な領域を別々に扱う独自の自己学習戦略を構築し、より高いロバストネスを実現すること。
• 未ラベルデータにおける確実性と不確実性を同時に最適化する統合モデルのエンドツーエンド学習を実現すること。
• ノイズの多い偽ラベルによる誤り伝搬を低減させながら、ベンチマークデータセットで優れたセグメンテーション精度を達成すること。

提案手法

• 本手法は、逆の誤分類コスト（1:5：保守的、5:1：急進的）を用いて2つのサブネットワークを訓練する保守的・急進的モジュール（CRM）を導入し、予測の不一致を誘発する。
• 両モデルで一貫した予測を示す領域は「確実」と分類され、不一致を示す領域は「不確実」とされ、動的不確実性マップが形成される。
• モデルは3つのコンponentsから構成される：保守的・急進的モジュール（CRM）、確実領域セグメンテーションネットワーク（C-SN）、不確実領域セグメンテーションネットワーク（UC-SN）、これらはエンドツーエンドで訓練される。
• 別個の自己学習戦略が適用される：C-SNは確実領域で、UC-SNは不確実領域で学習され、誤り伝搬が低減される。
• フレームワークは標準的なデータオーグメンテーション（回転、反転、クロップ）と、多クラスセグメンテーションタスクにおける信頼度を用いたメジャリティ投票を用いる。
• 主評価指標としてDiceスコアが使用され、すべての実験で20%のラベル付きデータと80%のラベルなしデータが使用される。

実験結果

リサーチクエスチョン

• RQ1 異なる誤分類コストにおける予測不一致は、半教師付き医療画像セグメンテーションにおける不確実性推定の信頼できる代理指標として機能するか？
• RQ2 確実領域と不確実領域を分離して自己学習することで、統合学習に比べてセグメンテーション性能が向上するか？
• RQ3 本手法の不一致に配慮した不確実性推定は、従来のソフトマックスベースの信頼度に比べ、ロバストネスと精度で優れているか？
• RQ4 本手法は、学習中のノイズの多い偽ラベルによる誤り伝搬をどの程度低減できるか？
• RQ5 本手法は、不確実性に配慮した戦略を用いることで、最小限のラベル付きデータで完全教師あり性能に近い結果を達成できるか？

主な発見

• ACDCデータセットでは、CoraNetが平均Diceスコア86.10%（±0.62）を達成し、比較対象の全ベースラインを上回り、前回SOTA手法よりも0.34%の向上を示した。
• マルチ構造セグメンテーションでは、心筋で84.87%、左室で90.74%、右室で82.69%のDiceスコアを達成した。
• 不確実領域を主な学習ループから分離することで誤り伝搬が低減され、収束がより安定した。
• 可視化比較では、特に困難な領域において、CoraNetはMean Teacherに比べて鋭く正確な境界予測を生成した。
• モデルの性能は完全教師ありベースライン（平均Diceスコア88.79%）に常に近く、限られたアノテーションでも優れた一般化性能を示した。
• アブレーションスタディにより、分離自己学習戦略が統合学習に比べて顕著に性能向上をもたらし、設計選択の有効性が裏付けられた。