[論文レビュー] Joint Learning of Brain Lesion and Anatomy Segmentation from Heterogeneous Datasets

Nicolas Roulet, Diego Fernández Slezak+1 more|arXiv (Cornell University)|Mar 8, 2019

Advanced Neural Network Applications参考文献 15被引用数 5

ひとこと要約

本稿では、アノテーションが非重複する異種のデータセットを用いて、脳病変および解剖構造のセグメンテーションを同時に学習する1つのU-Netモデルを訓練するための、適応的交差エントロピー（ACE）損失関数を提案する。ACE損失は、クラス固有の交差エントロピー損失の動的重み付けにより、病変ラベルと組織ラベルの間のラベル矛盾を解消し、標準的な交差エントロピー損失やDice損失が失敗する状況でも、有効な共同学習を可能にする。本手法は、マルチネットワーク手法と比較して、特に脳組織セグメンテーションにおいて競争力ある性能を示し、さまざまな病変タイプにわたり高いロバスト性を維持する。

ABSTRACT

Brain lesion and anatomy segmentation in magnetic resonance images are fundamental tasks in neuroimaging research and clinical practice. Given enough training data, convolutional neuronal networks (CNN) proved to outperform all existent techniques in both tasks independently. However, to date, little work has been done regarding simultaneous learning of brain lesion and anatomy segmentation from disjoint datasets. In this work we focus on training a single CNN model to predict brain tissue and lesion segmentations using heterogeneous datasets labeled independently, according to only one of these tasks (a common scenario when using publicly available datasets). We show that label contradiction issues can arise in this case, and propose a novel adaptive cross entropy (ACE) loss function that makes such training possible. We provide quantitative evaluation in two different scenarios, benchmarking the proposed method in comparison with a multi-network approach. Our experiments suggest that ACE loss enables training of single models when standard cross entropy and Dice loss functions tend to fail. Moreover, we show that it is possible to achieve competitive results when comparing with multiple networks trained for independent tasks.

研究の動機と目的

• 異種のデータセットを用いて、アノテーションが非重複する状況下で、1つのディーブラーニングモデルを用いて同時に脳病変および解剖構造のセグメンテーションを学習する課題に対処すること。
• あるデータセットでは背景とされているものが、別のデータセットでは組織とラベル付けされているなど、病変と組織のラベルが衝突する場合に生じるラベル矛盾の問題を特定・解消すること。
• これらの衝突するアノテーションにかかわらず、1つのU-Netモデルの有効な共同学習を可能にする損失関数の開発。
• セグメンテーション精度およびさまざまな病変タイプへの一般化性能の観点から、提案手法をマルチネットワークおよび標準損失関数ベースの手法と比較して評価すること。
• 入力モodalitが限られている状況下でも、ACE損失を用いた共同学習が、タスク固有のマルチネットワークモデルと同等の性能を達成できることを示すこと。

提案手法

• ラベルの頻度と一貫性に応じてクラス重みを動的に調整する適応的交差エントロピー（ACE）損失関数を提案。この関数により、ラベルの矛盾を解消する。
• クラス固有の交差エントロピー項を計算し、衝突するアノテーションの影響を最小化するように適応的重み付けを施す。特に背景および組織クラスに対して有効である。
• 各データセットが1つのタスク（病変または解剖）のアノテーションのみを有する異種データセットを統合し、ACE損失を用いて1つのU-Netモデルをエンドツーエンドで訓練する。
• 同じネットワークが同時に病変および組織セグメンテーションを予測するマルチタスク学習フレームワークを採用。タスク間で特徴表現を共有する。
• WMH（白質高信号）、BRATS（腫瘍）、T1強調MRI（解剖）といった公に利用可能なデータセットのデータを用い、空間的および強度ドメインを整合させるための慎重な前処理を実施。
• 標準的なカテゴリカル交差エントロピー損失およびDice損失との比較を目的としたアブレーションスタディを実施。また、各タスクに別々のネットワークを割り当てたMulti-UNetベースラインと性能を比較。

実験結果

リサーチクエスチョン

• RQ1 アノテーションが非重複する異種のデータセットから学習する場合、1つのディープニューラルネットワークを効果的に訓練して、同時に脳病変および解剖構造のセグメンテーションを実行できるか？
• RQ2 標準的な損失関数（交差エントロピーまたはDice損失）を用いた場合、病変と組織のラベルが衝突する場合に、学習プロセスにどのような影響を与えるか？
• RQ3 提案されたACE損失関数は、どの程度ラベル矛盾の問題を軽減し、共同学習のシナリオにおけるセグメンテーション性能を向上させるか？
• RQ4 ACE損失で訓練された1つのモデルの性能は、病変および解剖構造のセグメンテーションに別々のモデルを割り当てたマルチネットワークアプローチと比較して、どの程度の差があるか？
• RQ5 入力モodalitが病変および解剖の両方のデータセットに共通するものに限定される状況下で、ACEを用いた共同学習の限界は何か？

主な発見

• ACE損失により、標準的な交差エントロピー損失やDice損失がラベル矛盾のため失敗する中、1つのU-Netモデルを用いた病変および解剖構造のセグメンテーションの訓練に成功した。
• WMHセグメンテーションにおいて、ACEモデルはMulti-UNetベースラインと同等の性能を示し、Wilcoxon符号順位検定による統計的有意差は認められなかった。
• 脳組織セグメンテーションにおいては、ACEモデルが複数の構造でMulti-UNetを上回るか、同等の性能を発揮しており、共同最適化による特徴学習の向上が示された。
• 浮腫および腫瘍セグメンテーションでは、ACEモデルに性能低下が見られたが、これは主にT1画像のみを入力として使用したためであり、Multi-UNetはT1、T1g、T2、FLAIRの複数のシーケンスを活用していた。
• 階層的マルチタスク学習の可能性を実証した。病変および組織クラスの同時予測により、ラベルの相互作用を捉えることができ、全体のセグメンテーション精度が向上した。
• 著者らは、ACE損失がクラス不均衡およびラベルの衝突を効果的に処理できることを観察し、マルチタスク医療画像セグメンテーションへの広範な応用可能性を示唆した。