[論文レビュー] MR Acquisition-Invariant Representation Learning

Wouter M. Kouw, Marco Loog+2 more|arXiv (Cornell University)|Sep 22, 2017

Domain Adaptation and Few-Shot Learning参考文献 38被引用数 4

ひとこと要約

本論文では、スキャナ固有の変動を最小限に抑えつつ組織コントラストを保持することで、MRI撮影法に依存しない表現を学習する、Siameseニューラルネットワークmrai-netを提案する。この手法により、転移可能で一般化可能な組織分類が可能となり、限られたターゲットドメインデータしかない状況でも、mrai-net特徴量に線形分類器を適用した結果が、深層CNNを上回る性能を示す。

ABSTRACT

Voxelwise classification approaches are popular and effective methods for tissue quantification in brain magnetic resonance imaging (MRI) scans. However, generalization of these approaches is hampered by large differences between sets of MRI scans such as differences in field strength, vendor or acquisition protocols. Due to this acquisition related variation, classifiers trained on data from a specific scanner fail or under-perform when applied to data that was acquired differently. In order to address this lack of generalization, we propose a Siamese neural network (MRAI-net) to learn a representation that minimizes the between-scanner variation, while maintaining the contrast between brain tissues necessary for brain tissue quantification. The proposed MRAI-net was evaluated on both simulated and real MRI data. After learning the MR acquisition invariant representation, any supervised classification model that uses feature vectors can be applied. In this paper, we provide a proof of principle, which shows that a linear classifier applied on the MRAI representation is able to outperform supervised convolutional neural network classifiers for tissue classification when little target training data is available.

研究の動機と目的

• スキャンの種別（例：磁束密度、ベンダー、プロトコル）に起因する変動のため、MRI脳組織セグメンテーションの教師ありボクセル分類に一般化性が欠けている問題に対処する。
• 臨床的に重要な組織コントラストを損なわずに、異なるMRIスキャナやプロトコルに起因する不必要な変動を低減する。
• タスクに依存しない、撮影法に依存しない表現を構築し、新しい未観測スキャナに、元のラベル付きソースデータを再利用可能にする。
• ターゲットドメインの訓練データが限られている状況で、学習済みの不変表現に線形分類器を適用した場合、より複雑な深層CNNよりも性能が優れているかどうかを実証する。

提案手法

• ペアドMRIスキャンから共有表現を学習するため、二重エンコーダを備えたSiameseニューラルネットワークアーキテクチャを用いる。
• 類似ペア（同じ組織、異なるスキャナ）の埋め込みを引き寄せ、不似合いペア（異なる組織、同じスキャナ）の埋め込みを遠ざけるように、コントラスト型損失関数を用いてネットワークを訓練する。
• 『類似』ペアを、同じ組織で異なるスキャナのスキャンと定義する。『不似合い』ペアを、同じスキャナで異なる組織のスキャンと定義する。
• 埋め込み空間におけるペアワイズ距離のL1ノルムを最小化することで、安定した勾配と効果的な特徴クラスタリングを実現する。
• 撮影法の違いに対して不変な表現を学習しつつ、下流分類のための組織固有のコントラストを保持する。
• 標準的な教師あり分類器（例：線形SVM）を、不変特徴量に適用して組織セグメンテーションを実行する。

実験結果

リサーチクエスチョン

• RQ1 MRI撮影法の違い（例：1.5T対3T、異なるベンダー）に対して不変でありつつ、組織コントラストを保持するような深層表現を学習可能か？
• RQ2 ターゲットスキャナ用に限られたラベル付きデータしか利用できない状況で、このような不変表現を学習することで、組織分類の一般化性能が向上するか？
• RQ3 限られたターゲットドメインパッチで訓練されたより複雑な深層CNNよりも、不変特徴量に単純な線形分類器を適用した場合に、性能が優れているか？
• RQ4 ${\cal A}$-距離などの代理指標を用いて測定した場合、提案手法はスキャナ間のドメインシフトをどの程度低減できるか？
• RQ5 学習された表現は、シミュレーテッドおよび実患者スキャンを含む、さまざまな種類のMRIデータに対して一般化可能か？

主な発見

• mrai-netは、ソースドメインとターゲットドメイン間の代理${\cal A}$-距離が低いことから、MRI撮影法に依存しない表現を効果的に学習していることが裏付けられた。
• ターゲットドメインの訓練パッチが少数しかない状況でも、mrai-net特徴量に線形分類器を適用した結果が、ターゲットスキャナのパッチで訓練された教師ありCNNを上回った。
• 本手法により、ソーススキャナ（例：1.5T）のラベルを、ターゲットスキャナ（例：3T）にマッピングすることで、共通の撮影法に依存しない特徴空間に変換し、ラベルの転送が可能となった。
• L1ノルムを用いたコントラスト型損失を備えたSiameseネットワークは、撮影法に起因する変動を効果的に低減しつつ、組織の分離性を維持できた。
• 本手法はMRBrainSデータセットの実患者データに対しても一般化可能であり、臨床応用の可能性を裏付けた。
• 学習された表現はタスクに依存せず、組織セグメンテーションにとどまらず、病変検出や腫瘍検出といったさまざまな下流タスクへの応用も可能である。