[論文レビュー] MONAI Label: A framework for AI-assisted Interactive Labeling of 3D Medical Images

Andres Diaz‐Pinto, Sachidanand Alle+15 more|arXiv (Cornell University)|Mar 23, 2022

Radiomics and Machine Learning in Medical Imaging参考文献 42被引用数 41

ひとこと要約

MONAI Label は、3D 医学画像の AI 支援付き対話型および非対話型ラベリングを可能にするオープンソースのフレームワークで、DeepGrow、DeepEdit、scribbles ベースの手法、アクティブ学習、GUI 統合（3D Slicer、OHIF）を特徴としています。

ABSTRACT

The lack of annotated datasets is a major bottleneck for training new task-specific supervised machine learning models, considering that manual annotation is extremely expensive and time-consuming. To address this problem, we present MONAI Label, a free and open-source framework that facilitates the development of applications based on artificial intelligence (AI) models that aim at reducing the time required to annotate radiology datasets. Through MONAI Label, researchers can develop AI annotation applications focusing on their domain of expertise. It allows researchers to readily deploy their apps as services, which can be made available to clinicians via their preferred user interface. Currently, MONAI Label readily supports locally installed (3D Slicer) and web-based (OHIF) frontends and offers two active learning strategies to facilitate and speed up the training of segmentation algorithms. MONAI Label allows researchers to make incremental improvements to their AI-based annotation application by making them available to other researchers and clinicians alike. Additionally, MONAI Label provides sample AI-based interactive and non-interactive labeling applications, that can be used directly off the shelf, as plug-and-play to any given dataset. Significant reduced annotation times using the interactive model can be observed on two public datasets.

研究の動機と目的

• 専門家が注釈した3D医用データセットの稀少というボトルネックを、AI支援の効率的なラベリング作業フローを実現することで解消する。
• 臨床評価のためのラベリングアプリを開発・デプロイするための、オープンでモジュラーなSDKを提供する。
• 標準UIフロントエンドと統合された対話型および非対話型のセグメンテーション手法を提供する。
• 不確かまたは情報量の多いサンプルのアノテーションを優先するアクティブ学習を組み込む。
• RESTfulサーバとDICOMWeb互換性を通じたデータ管理とデプロイメントを促進する。

提案手法

• 注釈とモデルのための3つの高レベルMONAI Labelモジュール、：client、server、 datastoreを提供する。
• 対話型の注釈モデル（DeepGrow、DeepEdit）とscribblesベースのセグメンテーション手法、さらに非対話型の自動セグメンテーションオプションを含む。
• ドロップアウトによるエピステミック不確実性推定と、TTAによるオプションのアレオロジック不確実性を含む、不確実性推定を用いたアクティブラーニングループと、未ラベルのボリュームをランク付けする一般的な取得関数を実装する。
• GUI統合（3D Slicer、OHIF）とDICOMWeb通信（WADO-RS、STOW-RS、QIDO-RS）をサポートする。
• MONAILabelAppを継承し、推論、訓練、データ選択、カスタムトランスフォームを定義することでアプリを開発するフレームワークを提供する。

実験結果

リサーチクエスチョン

• RQ1 AI支援付き対話型ラベリングは、セグメンテーション精度を維持または向上させつつ、3D医用画像の手動アノテーション時間をどのように削減できるか？
• RQ2 MONAI Labelにおけるアクティブラーニング戦略が、アノテーションの効率とモデル性能に与える影響はどのようなものか？
• RQ3 MONAI Labelを異なるフロントエンド（3D Slicer、OHIF）でインスタンス化し、DICOMベースのワークフローと統合するにはどうすればよいか？
• RQ4 このフレームワーク内でのDeepGrow、DeepEdit、scribblesベースのアプローチの利点と制限は何か？

主な発見

• インタラクティブなDeepGrowおよびscribblesベースの手法は、従来のツールと比較して脾臓セグメンテーションタスクのアノテーション時間を大幅に削減する。
• DeepGrow (2D+3D) は後半で1–2.5分の注釈を1つの3Dボリュームごとに可能にし、等高線ベースの手法と比べて最大約10倍速い性能を示す。
• scribblesベースのオンライン確率セグメンテーションは手動ラベリングの労力を著しく低減し、サンプルごとに平均約2分程度となる（ペイントブラシや等高線ベースの手法と比べて）。
• DeepEdit は継続的な訓練と対話的な改良をサポートし、ボリュームのサブセットにラベル付けを行った後にモデルベースのアノテーションを開始できるようにし、ワークフローを大幅に高速化する。
• MSDデータセットでの実験は時間削減と競争力のあるDiceスコアを示し、応用例としてはtelestroke脳出血ラベリングと神経外科脳地図作成が含まれる。