[論文レビュー] Joint Liver Lesion Segmentation and Classification via Transfer Learning

Michal Heker, Hayit Greenspan|arXiv (Cornell University)|Apr 26, 2020

COVID-19 diagnosis using AI参考文献 9被引用数 5

ひとこと要約

本稿では、転移学習とU-NetとSE-ResNetバックボーンを用いた共同学習による、共同肝腫瘍分類とセグメンテーションフレームワークを提案する。シンプルな共同学習アプローチが、標準のY-Netマルチタスクアーキテクチャを上回ることを示しており、LiTSデータセットで微調整した場合、分類精度が10%向上し、セグメンテーションの再現率が4%上昇した。これは、小規模な医療画像データセットにおけるドメイン固有の事前学習と共有特徴学習の利点を示している。

ABSTRACT

Transfer learning and joint learning approaches are extensively used to improve the performance of Convolutional Neural Networks (CNNs). In medical imaging applications in which the target dataset is typically very small, transfer learning improves feature learning while joint learning has shown effectiveness in improving the network's generalization and robustness. In this work, we study the combination of these two approaches for the problem of liver lesion segmentation and classification. For this purpose, 332 abdominal CT slices containing lesion segmentation and classification of three lesion types are evaluated. For feature learning, the dataset of MICCAI 2017 Liver Tumor Segmentation (LiTS) Challenge is used. Joint learning shows improvement in both segmentation and classification results. We show that a simple joint framework outperforms the commonly used multi-task architecture (Y-Net), achieving an improvement of 10% in classification accuracy, compared to a 3% improvement with Y-Net.

研究の動機と目的

• 小規模な医療画像データセットにおける肝腫瘍分類とセグメンテーションの性能向上を、共同学習と転移学習を用いて行う。
• モデルの汎化性と収束性に与える影響を評価するため、異なる事前学習戦略（ランダム、ImageNet、LiTS）を比較する。
• 標準のY-Netマルチタスクアーキテクチャと比較して、シンプルな共同学習フレームワークの性能を評価する。
• 分類とセグメンテーションのタスク間で共有された表現学習が、低データ環境下での性能向上に寄与するかどうかを調査する。
• 類似ドメインのデータセット（LiTS）からの転移学習が、肝腫瘍解析における優れた特徴表現をもたらすことを実証する。

提案手法

• 残差接続と圧縮・励起ブロックを組み込んだSE-ResNetエンコーダを備えたU-Netアーキテクチャを採用し、特徴学習を強化する。
• 主に2つのフレームワークを提案する：分離されたセグメンテーションおよび分類ヘッドを備えたマルチタスクY-Netに類似したアーキテクチャ、およびピクセル単位の分類によりセグメンテーションを実行し、病変種別に対して多数決を取る共同学習フレームワーク。
• 共同学習フレームワークでは、分類とセグメンテーションの両方のタスクに同一の重み付き交差エントロピー損失関数を適用し、クラス頻度の逆数に比例する重みを付けることで、クラス不均衡を是正する。
• 転移学習は、3つの初期化戦略（ランダム、ImageNet事前学習、LiTSデータセットでの事前学習）を用いた微調整により実施する。
• 2段階のカスケードアプローチを採用する：まずLiTSで学習したモデルが肝臓をセグメンテーションし、その後、そのROIを切り出して主モデルの入力として使用することで、クラス不均衡を軽減する。
• 3-fold交差検証を用いて、332枚の腹部CTスライス（3種類の病変：75個の嚢胞、71個の血管腫、93個の転移巣）から成るプライベートデータセットを評価する。

実験結果

リサーチクエスチョン

• RQ1 分類とセグメンテーションの間で共同学習を実施することで、それぞれのタスクを別々に学習する場合と比較して性能が向上するか？
• RQ2 類似ドメインのデータセット（LiTS）で事前学習することで、ImageNetやランダム初期化よりも、肝腫瘍解析に適した特徴表現が得られるか？
• RQ3 シンプルな共同学習フレームワークは、標準のY-Netマルチタスクアーキテクチャと比較して、セグメンテーションおよび分類精度においてどのように異なるか？
• RQ4 LiTSからの転移学習は、小規模な医療画像データセットにおいて収束性と汎化性をどの程度向上させるか？
• RQ5 分類とセグメンテーションのタスク間で共有された表現学習が、相互に性能向上をもたらすか？

主な発見

• LiTSデータセットで微調整した共同学習フレームワークは、分類精度が86%に達し、ベースラインを10%上回り、Y-Netアーキテクチャを3%上回った。
• 共同学習フレームワークは、Diceスコア0.71、再現率0.76を達成し、Y-Netの0.71（Dice）と0.68（再現率）を上回り、再現率が4%向上した。
• LiTSデータセットで微調整した場合、ImageNetやランダム初期化と比較して収束が早く、特に低データ環境下での汎化性能が向上した。
• Y-Netマルチタスクアーキテクチャはベースラインを3%上回ったが、シンプルな共同学習フレームワークは分類精度で10%も上回った。
• LiTSデータセットでの事前学習は、モデル性能を顕著に向上させ、医療画像解析におけるドメイン固有の転移学習の価値を示した。
• 結果から、分類とセグメンテーションのタスク間で共有された特徴学習が、特に関連タスクからの転移学習と組み合わせることで、相互に性能向上をもたらすことが確認された。