[論文レビュー] Learning to Segment Medical Images with Scribble-Supervision Alone

Yiğit Baran Can, Krishna Chaitanya+4 more|arXiv (Cornell University)|Jul 12, 2018

Medical Image Segmentation Techniques参考文献 5被引用数 10

ひとこと要約

本論文は、スクリビルドアノテーションのみを用いて医療画像のセマンティックセグメンテーションを弱教師付きで学習するフレームワークを提案する。反復的トレーニングと条件付きランダムフィールド（CRF）および不確実性推定を活用する。限定的な教師付き学習にもかかわらず、心臓および前立腺データセットにおいてそれぞれ2.9%および4.5%のDiceスコアの低下にとどまり、最小限の専門家によるアノテーション作業で準教師付き学習に近い性能を達成した。

ABSTRACT

Semantic segmentation of medical images is a crucial step for the quantification of healthy anatomy and diseases alike. The majority of the current state-of-the-art segmentation algorithms are based on deep neural networks and rely on large datasets with full pixel-wise annotations. Producing such annotations can often only be done by medical professionals and requires large amounts of valuable time. Training a medical image segmentation network with weak annotations remains a relatively unexplored topic. In this work we investigate training strategies to learn the parameters of a pixel-wise segmentation network from scribble annotations alone. We evaluate the techniques on public cardiac (ACDC) and prostate (NCI-ISBI) segmentation datasets. We find that the networks trained on scribbles suffer from a remarkably small degradation in Dice of only 2.9% (cardiac) and 4.5% (prostate) with respect to a network trained on full annotations.

研究の動機と目的

• 完全に自動化されたピクセル単位のセグメンテーションネットワークを、完全なピクセル単位のラベル付けに依存せずに、スクリビルドアノテーションのみで学習可能にするため。
• スクリビルドアノテーションのみで、完全に教師付きのベースラインと同等の高性能なセグメンテーションモデルを達成できるかどうかを調査すること。
• CRFと不確実性推定を用いて疑似ラベルを反復的に最適化するトレーニング戦略を開発・評価し、セグメンテーション精度を向上させること。
• 実世界の医療画像データセットにおいて、最小限のアノテーション作業で弱教師付き学習の実現可能性を示すこと。

提案手法

• 本手法は反復的2段階フレームワークを採用する：まず初期スクリビルドアノテーションに基づいてCNNを学習し、次にネットワークの予測結果とCRFを組み合わせて、トレーニングセットの再ラベル化された疑似ラベルを生成する。
• 領域拡張ステップでは、高閾値のランダムウォークベースのセグメンテーションを用いて、高い信頼性を持つ予測領域（シード領域）を生成し、不確実なピクセルを潜在変数として扱う。
• 2種類のCRF戦略を評価する：手動で調整されたパラメータを有する従来の密なCRFと、CRFパラメータをエンドツーエンド最適化する可学習CRF-RNN。
• 不確実性はモンテカルロドロップアウトを用いて推定され、再ラベル化プロセスに統合され、予測の頑健性を高め、過信の回避を図る。
• 反復的プロセスは、ネットワーク重みと疑似ラベルを交互に最適化するハードEM（期待最大化）近似として解釈される。
• 本フレームワークは、2Dスライスレベルのトレーニングと検証を用いて、ACDC（心臓）およびNCI-ISBI（前立腺）データセットで評価された。

実験結果

リサーチクエスチョン

• RQ1 完全に畳み込みネットワークを、完全なピクセル単位のラベル付けを一切用いずに、スクリビルドアノテーションのみで、医療画像に対して正確なセマンティックセグメンテーションを実行できるか？
• RQ2 弱教師付き学習下で、CRFと不確実性推定を用いた反復的リファインメント戦略は、セグメンテーション性能の向上にどの程度効果的か？
• RQ3 実際の医療画像ベンチマークにおいて、スクリビルドアノテーションモデルと完全に教師付きベースラインとの間のDiceスコアのギャップはどの程度か？
• RQ4 可学習CRF-RNNモジュールの統合は、従来のCRFよりも性能を向上させるか？
• RQ5 不確実性推定、CRFリファインメント、再帰的処理といった異なる要素が、最終的なセグメンテーション精度に個別におよび相乗的にどのように寄与するか？

主な発見

• 提案手法は、完全に教師付きベースラインと比較して、心臓ACDCデータセットで2.9%、前立腺NCI-ISBIデータセットで4.5%のDiceスコア低下を示した。
• 最も優れた設定—不確実性推定を組み合わせたCRF-RNN—は、心臓構造で0.880、前立腺構造で0.781のDiceスコアを達成し、他のすべてのバリエーションを上回った。
• モンテカルロドロップアウトによる不確実性推定が、最も大きな性能向上をもたらし、ベースライン手法と比較して最大0.015のDiceスコア向上を達成した。
• 不確実性推定なしのCRF-RNNモジュールは、不確実性推定を組み合わせた個別のCRFと同等の性能を示し、RNNの内部リファインメントがすでに頑健であることを示唆した。
• CRF-RNNに不確実性推定を追加しても性能向上が得られず、前立腺データセットではわずかに性能が低下した。これは、RNNが生成する非標準的なロジット分布が原因である可能性がある。
• 再帰的トレーニング方式は非再帰的トレーニングを著しく上回り、最良の手法では完全に教師付きモデルの95%の性能を達成した。