[論文レビュー] Multi-Task, Multi-Domain Deep Segmentation with Shared Representations and Contrastive Regularization for Sparse Pediatric Datasets

Arnaud Boutillon, Pierre-Henri Conze+3 more|arXiv (Cornell University)|May 21, 2021

COVID-19 diagnosis using AI参考文献 25被引用数 7

ひとこと要約

本論文は、共有畳み込み特徴量、ドメイン固有のバッチ正規化、ドメイン固有のセグメンテーションヘッドを活用する、小児筋骨接合MRI画像のセグメンテーションを目的としたマルチタスク・マルチドメインのディープラーニングフレームワークを提案する。さらに、ドメイン内での特徴クラスタリングを強化し、ドメイン間の分離を促進するための教師あり対照的正則化を統合し、限られた小児MRIデータセットにおいて顕著な性能向上を達成した。Diceスコアは、最先端手法を上回り、最大で2.0%向上した。

ABSTRACT

Automatic segmentation of magnetic resonance (MR) images is crucial for morphological evaluation of the pediatric musculoskeletal system in clinical practice. However, the accuracy and generalization performance of individual segmentation models are limited due to the restricted amount of annotated pediatric data. Hence, we propose to train a segmentation model on multiple datasets, arising from different parts of the anatomy, in a multi-task and multi-domain learning framework. This approach allows to overcome the inherent scarcity of pediatric data while benefiting from a more robust shared representation. The proposed segmentation network comprises shared convolutional filters, domain-specific batch normalization parameters that compute the respective dataset statistics and a domain-specific segmentation layer. Furthermore, a supervised contrastive regularization is integrated to further improve generalization capabilities, by promoting intra-domain similarity and impose inter-domain margins in embedded space. We evaluate our contributions on two pediatric imaging datasets of the ankle and shoulder joints for bone segmentation. Results demonstrate that the proposed model outperforms state-of-the-art approaches.

研究の動機と目的

• 筋骨接合部のセグメンテーションに向けた、限られたアノテート済み小児MRI画像データの課題に対処すること。
• 複数の異種データセットを活用することで、小児画像分野におけるディープラーニングモデルの一般化性能と性能を向上させること。
• 解剖学的ドメイン間で特徴を共有しつつ、ドメイン固有の適応を可能にする統一されたセグメンテーションフレームワークを開発すること。
• 教師あり対照的正則化により特徴空間のロバスト性を高め、ドメイン内類似性とドメイン間分離を促進すること。
• 足首および肩関節の2つの実世界の小児MRIデータセットを用いて、本手法の有効性を実証すること。

提案手法

• 全ドメインに共通する畳み込みフィルタを備えたU-Netベースのアーキテクチャを用い、一般解剖的特徴を学習する。
• 各データセットの分布に適応するため、ドメイン固有のバッチ正規化層を導入する。
• 各解剖的領域に特化した出力予測を可能にするために、ドメイン固有のセグメンテーションヘッドを採用する。
• 同じドメインの特徴埋め込みが密にクラスタリングされるよう促進し、異なるドメインの埋め込み同士を分離させるようにする教師あり対照的損失を適用する。
• 学習された共有表現の可視化と対照的正則化の効果を評価するために、次元削減の2段階手法（PCAの後続にt-SNE）を用いる。
• 異なる解剖的領域（足首および肩）の非ペaired小児MRIデータセットの統合データセット上で、モデルをエンドツーエンドに訓練する。

実験結果

リサーチクエスチョン

• RQ1 異なる解剖的領域からの複数の小児MRIデータセットで訓練された単一のディープセグメンテーションモデルは、個別に訓練されたモデルと比較して性能向上を達成できるか？
• RQ2 ドメイン固有のバッチ正規化およびセグメンテーション層を統合することで、限られた小児データに対してモデルの一般化性能がどのように向上するか？
• RQ3 教師あり対照的正則化は、ドメイン内での共有特徴のクラスタリングおよびドメイン間の分離をどの程度向上させるか？
• RQ4 提案手法のマルチタスク・マルチドメインフレームワークは、小児骨セグメンテーションタスクにおいて最先端手法を上回るか？
• RQ5 特に運動アーチファクトの多いデータセットにおいて、本モデルは画像品質やノイズの変動に対してどの程度頑健であるか？

主な発見

• 提案モデルは、足首および肩の2DスライスにおいてDiceスコア88.9±17.0を達成し、ベースラインのUNet（86.9±18.7）およびAtt-UNet（87.8±18.5）を顕著に上回った。
• 対照的正則化の導入により、共有表現空間における特徴埋め込みのクラスタリングが明確になり、t-SNE可視化でドメイン内クラスタとドメイン間マージンが明確に可視化された。
• 統計的分析により、提案手法がベースラインおよび統合学習スキームに対して顕著な改善を示したことが確認され、Diceスコアの全比較でp値 < 0.05であった。
• DSL（ドメイン固有層）スキームは、ベースラインおよび統合学習アプローチを上回り、層の特化による利点を示した。
• ノイズや変動に対するモデルの頑健性が向上し、特に運動アーチファクトの多い肩関節データセットで顕著に改善が見られた。
• 可視化比較により、提案モデルは両データセットにおいてより正確で一貫性のある骨セグメンテーションを生成しており、境界誤差が低減され、解剖学的構造の保存が良好に維持された。