[論文レビュー] Learning to Segment from Noisy Annotations: A Spatial Correction Approach

Jiachen Yao, Yikai Zhang+4 more|arXiv (Cornell University)|Jul 21, 2023

Machine Learning and Data ClassificationComputer Science被引用数 3

ひとこと要約

本稿では、医療画像セグメンテーションにおける空間的相関性とノイズ付きアノテーションのバイアスを捉える新しいマルコフベースのラベルノイズモデルを提案し、少量のクリーンな検証データを用いて真のラベルを段階的に回復する空間補正（SC）手法を導入する。この手法は、合成および実世界のノイズ付きセグメンテーションベンチマークにおいて、最先端の手法を上回り、理論的保証と実証的検証により、高ノイズ環境や最小限の検証データ下でも頑健であることが示された。

ABSTRACT

Noisy labels can significantly affect the performance of deep neural networks (DNNs). In medical image segmentation tasks, annotations are error-prone due to the high demand in annotation time and in the annotators' expertise. Existing methods mostly assume noisy labels in different pixels are extit{i.i.d}. However, segmentation label noise usually has strong spatial correlation and has prominent bias in distribution. In this paper, we propose a novel Markov model for segmentation noisy annotations that encodes both spatial correlation and bias. Further, to mitigate such label noise, we propose a label correction method to recover true label progressively. We provide theoretical guarantees of the correctness of the proposed method. Experiments show that our approach outperforms current state-of-the-art methods on both synthetic and real-world noisy annotations.

研究の動機と目的

• 医療画像セグメンテーションにおけるラベルノイズという重要な課題に取り組む。これは、時間的・専門的負担が高いため、アノテーションが誤りを含みやすいことによる。
• ラベルノイズをi.i.d.とみなすのでなく、物体境界付近での現実のアノテーション誤りを反映するように、空間的に相関するものとしてモデル化する。
• 空間的に相関するノイズが引き起こすバイアスを、少量のクリーンな検証データのみを用いて低減するラベル補正手法を開発する。
• 最小限の検証データで十分にバイアス補正とラベル回復が可能であるという理論的保証を提供する。
• 本手法の有効性を、合成および実世界のノイズ付きセグメンテーションデータセットにおいて実証し、既存の最先端手法を上回ることを示す。

提案手法

• 境界の歪みを模倣する2つのベルヌーイ変数（拡張／収縮意思決定）と、境界に沿った空間依存強度を用いた、セグメンテーションラベルノイズのマルコフ過程モデルを提案する。
• 内部または外部領域におけるまれな誤ラベルを許容するスパースなランダムフリッピング成分を組み込み、現実的なアノテーション誤りを捉える。
• クリーンな検証データを用いてバイアスを推定・除去するラベル補正アルゴリズムを開発し、理論的に「1つの検証サンプルのみで完全なバイアス補正が可能である」と証明する。
• セグメンテーションモデルの学習とラベルの精練を交互に繰り返す反復的バージョンの補正手法（SC）を導入し、一般化されたノイズパターンに対しても頑健性を向上させる。
• アーキテクチャに依存しない設計を採用し、任意のディープニューラルネットワークバックボーンをセグメンテーションに統合可能である。
• 空間的に注意を払ったノイズモデルを採用し、真の境界の連続的歪みを生成する。これは、現実的でないi.i.d.ノイズパターンとは対照的である。

実験結果

リサーチクエスチョン

• RQ1 マルコフ過程モデルは、現実のセグメンテーションラベルノイズに内在する空間的相関性とバイアスを効果的に捉えることができるか？
• RQ2 理論的保証のもとで、少量のクリーンな検証アノテーションのみを用いてラベルノイズを補正することが可能か？
• RQ3 提案手法の空間補正法は、高ノイズまたは現実的なノイズレベル下で、既存の最先端手法と比較してどの程度の性能を示すか？
• RQ4 モデル学習と補正を繰り返すことでラベルを反復的に精練することは、多様なデータセットにおいて一貫した性能向上をもたらすか？
• RQ5 本手法は、合成ノイズ設定にとどまらず、実世界のノイズ付きアノテーションにも一般化可能か？

主な発見

• JSRTデータセット（S_EおよびS_S設定、高ノイズレベル）において、提案手法のSCは平均DSC 91.51±0.62を達成し、次に良い手法（CLE：86.85±0.84）を顕著に上回った。
• LIDC-IDRIデータセット（実世界のノイズ）において、SCは平均DSC 53.72±1.70を達成し、最良のベースライン（CDR：49.41±0.79）を上回った。
• アブレーションスタディでは、ノイズレベルを極端に高めてもSCは高い性能を維持するが、GCE や ELR などのベースラインは急速に劣化した。
• Cityscapesでは、たった1つのクリーンな検証サンプルでもSCはDSC 82.30±0.10を達成し、Cle（74.41±0.12）を含むすべてのベースラインを上回った。
• SCの反復的バージョンは収束し、複数のベンチマークで一貫してセグメンテーション性能を向上させ、複雑なノイズパターンに対しても頑健であることが示された。
• 図5の定性的な結果から、SCは境界の歪みを効果的に補正し、深刻なノイズ下でも真のセグメンテーションマスクを回復できることを示している。