[論文レビュー] Learning with Limited Annotations: A Survey on Deep Semi-Supervised Learning for Medical Image Segmentation

Rushi Jiao, Yichi Zhang+3 more|arXiv (Cornell University)|Jul 28, 2022

Radiomics and Machine Learning in Medical Imaging被引用数 20

ひとこと要約

医用画像セグメンテーションのための深層半教師あり学習法の包括的調査。疑似ラベリング、教師なし正則化、知識事前アプローチを詳述し、制約の分析を行う。

ABSTRACT

Medical image segmentation is a fundamental and critical step in many image-guided clinical approaches. Recent success of deep learning-based segmentation methods usually relies on a large amount of labeled data, which is particularly difficult and costly to obtain especially in the medical imaging domain where only experts can provide reliable and accurate annotations. Semi-supervised learning has emerged as an appealing strategy and been widely applied to medical image segmentation tasks to train deep models with limited annotations. In this paper, we present a comprehensive review of recently proposed semi-supervised learning methods for medical image segmentation and summarized both the technical novelties and empirical results. Furthermore, we analyze and discuss the limitations and several unsolved problems of existing approaches. We hope this review could inspire the research community to explore solutions for this challenge and further promote the developments in medical image segmentation field.

研究の動機と目的

• 高価な専門家アノテーションデータのため医用画像におけるアノテーション効率化されたセグメンテーションの必要性を動機づける。
• 医用画像セグメンテーションの最近の深層半教師あり手法を要約し、それらの技術的新規性と実証結果を比較する。
• 現在の半教師ありセグメンテーション手法の制限と未解決の問題を分析し、今後の研究を導く。

提案手法

• 医用画像セグメンテーションにおける3つのコア半教師あり戦略（疑似ラベル付け、教師なし正則化、知識事前ベースの手法）をレビューする。
• 疑似ラベルがオンラインでどのように生成されるか（信頼度を考慮したものや後処理を伴うもの）またはラベル伝搬によって未ラベルデータを活用する方法を記述する。
• 整合性学習、協同学習、エントロピー最小化を含む教師なし正則化手法を概説し、mean-teacher や Pi/Temporal アンサンブルなどのアーキテクチャとともに説明する。
• 入力および特徴マップレベルでの摂動（ノイズ、アフィン変換、弾性変形、シャドウ摂動、ミックスアップを含む）について議論する。
• セグメンテーションを補助タスク（距離場、輪郭予測、再構成）と結合させて一貫性を強制するタスクレベル正則化アプローチを提示する。
• 一貫性計算のバリエーション（不確実性重みづけ、マルチレベル、注意機構誘導）とそれが学習信号に与える影響を要約する。

実験結果

リサーチクエスチョン

• RQ1 限定アノテーションで医用画像セグメンテーションを可能にする主要な半教師あり戦略は何か？
• RQ2 疑似ラベリングと教師なし正則化はラベルノイズおよびドメインシフトに対してどの程度頑健か、比較せよ。
• RQ3 どのアーキテクチャ設計と摂動が未ラベルデータをセグメンテーションタスクで最も効果的に活用できるか？
• RQ4 深層半教師あり医用画像セグメンテーションにおける現状の制限と未解決問題は何か？

主な発見

• 本調査は手法を疑似ラベリング、教師なし正則化（整合性、協同学習、エントロピー最小化）、知識事前アプローチの3つのカテゴリに整理する。
• 疑似ラベリングの有効性は高信頼度の選択と後処理に依存する；ラベル伝搬は確認バイアスを緩和できる。
• 整合性ベースの手法（mean-teacher、Piモデル、EMA）は、慎重に選択された摂動と不確実性重みづけと共に、2D/3Dの医用データセット全般で高い性能を示す。
• 協調学習・マルチタスク戦略は、形状や距離マップ予測などの補助タスクを活用して頑健性をさらに高める。
• 教師なし正則化はノイズ感度やハイパーパラメータ調整といった課題に直面し、摂動設計と損失定式の慎重な設計を要する。
• 本レビューは制限と未解決問題を浮き彫りにし、アノテーション効率の高い医用画像セグメンテーションの今後の研究を促すことを目指す。