[論文レビュー] Less Is More: A Comparison of Active Learning Strategies for 3D Medical Image Segmentation

Josafat-Mattias Burmeister, Marcel Fernandez Rosas+6 more|arXiv (Cornell University)|Jul 2, 2022

Machine Learning and Algorithms被引用数 6

ひとこと要約

本論文は3次元医療画像セグメンテーションにおけるアクティブラーニング戦略を評価し、不確実性に基づく予測から空間補間を用いて偽ラベルを生成するストライドサンプリング手法を提案する。ランダムサンプリングと本手法のストライドサンプリングが両方とも強力なベースラインを示し、後者は3次元画像の構造を活用することで性能向上を達成しており、複数のデータセットにおける再現可能な比較を可能にするオープンソースのベンチマークフレームワークを提供する。

ABSTRACT

Since labeling medical image data is a costly and labor-intensive process, active learning has gained much popularity in the medical image segmentation domain in recent years. A variety of active learning strategies have been proposed in the literature, but their effectiveness is highly dependent on the dataset and training scenario. To facilitate the comparison of existing strategies and provide a baseline for evaluating novel strategies, we evaluate the performance of several well-known active learning strategies on three datasets from the Medical Segmentation Decathlon. Additionally, we consider a strided sampling strategy specifically tailored to 3D image data. We demonstrate that both random and strided sampling act as strong baselines and discuss the advantages and disadvantages of the studied methods. To allow other researchers to compare their work to our results, we provide an open-source framework for benchmarking active learning strategies on a variety of medical segmentation datasets.

研究の動機と目的

• 3次元医療画像セグメンテーションタスクにおける、既存のアクティブラーニング戦略—不確実性サンプリング、代表性サンプリング、ランダムサンプリング—を評価・比較すること。
• 3次元画像スライス間の補間を用いて偽ラベルを生成する、新しいストライドサンプリング戦略を提案・評価し、ラベリング効率を向上させること。
• 3つのMedical Segmentation Decathlonデータセットにおいて、ランダムサンプリングとストライドサンプリングが複雑なアクティブラーニング手法を上回るか同等の性能を示すことで、今後の研究のための強力なベースラインを確立すること。
• 心臓、海馬、前立腺を含む多様な3次元医療画像セグメンテーションデータセットにおけるアクティブラーニング戦略の再現可能な評価を可能にする、オープンソースのベンチマークフレームワークを提供すること。

提案手法

• 不確実性に基づいて非隣接な3次元画像スライスを選択するストライドサンプリング戦略を提案し、それらの間で補間を用いて偽ラベルを生成する。
• 最小信頼度とシャノンエントロピーを用いた不確実性サンプリングにより、ラベル付けに適した最も不確実な予測を同定する。
• 符号付き距離法と形状的輪郭補間の2つの補間技術を適用し、未ラベルスライスの偽ラベルを生成することで、データの多様性とモデルの汎化性能を向上させる。
• セグメンテーションに3次元U-Netアーキテクチャを採用し、複数のアクティブラーニングイテレーションにおいてDiceスコアを用いて性能を評価する。
• サンプリングスライス間の間隔を制御するためのブロックサイズハイパラメータを導入し、ブロックサイズ5、10、15におけるアブレーションスタディを実施する。
• 複数のデータセット、モデル、クエリ戦略における標準化された評価を可能にするオープンソースのベンチマークフレームワーク（active-segmentation）を構築する。

実験結果

リサーチクエスチョン

• RQ1 複数の3次元医療画像データセットにおいて、不確実性サンプリング、代表性サンプリング、ランダムサンプリングのセグメンテーション性能はどのように比較されるか？
• RQ2 補間を用いたストライドサンプリング戦略は、3次元医療画像セグメンテーションにおける標準的なアクティブラーニング手法を上回ることができるか？
• RQ3 符号付き距離法と形状的輪郭補間の異なる補間手法が、偽ラベルの品質および下流のセグメンテーション精度に与える影響は何か？
• RQ4 ストライドサンプリングにおける異なるブロックサイズが、モデル性能およびラベリング効率に与える影響は何か？
• RQ5 ランダムサンプリングとストライドサンプリングは、3次元医療画像における今後のアクティブラーニング研究の強力なベースラインとしてどの程度有効であるか？

主な発見

• 心臓データセットでは、形状的輪郭補間とブロックサイズ15を用いたストライドサンプリングが、50回のアクティブラーニングイテレーションでDiceスコア0.552 ± 0.030を達成し、大多数の不確実性ベース戦略を上回った。
• ランダムサンプリングは、心臓データセットで50イテレーション目においてDiceスコア0.893 ± 0.004を達成し、強力なベースラインとしての有効性を示した。
• 符号付き距離補間とブロックサイズ15を用いたストライドサンプリングは、心臓データセットでDiceスコア0.901 ± 0.003を達成し、偽ラベルの品質が高く、Diceスコア0.930 ± 0.085を示した。
• 海馬データセットでは、最良のストライド戦略（形状的輪郭補間、ブロックサイズ10）が50イテレーション目でDiceスコア0.807 ± 0.014を達成したのに対し、ランダムサンプリングは0.834 ± 0.005を達成した。
• 符号付き距離補間により生成された偽ラベルは、ブロックサイズ5で心臓データセットにおいてDiceスコア0.974 ± 0.045を達成し、真値に非常に近い忠実性を示した。
• オープンソースのベンチマークフレームワークにより、心臓、海馬、前立腺を含む複数の3次元医療画像セグメンテーションデータセットにおけるアクティブラーニング戦略の再現可能な評価と比較が可能になった。