[論文レビュー] Partial Labeled Gastric Tumor Segmentation via patch-based Reiterative Learning

Nan Yang, Gianmarc Coppola+6 more|arXiv (Cornell University)|Dec 20, 2017

Radiomics and Machine Learning in Medical Imaging参考文献 19被引用数 6

ひとこと要約

本論文は、部分的にアノテートされた病理画像を用いて胃がん腫瘍のセグメンテーションを実行するための、パッチベースの反復的学習フレームワークを提案している。完全な手動アノテーションへの依存を低減する。重複領域の予測を活用して境界誤差を是正し、予測を反復的に精錬することで、部分ラベル付きデータセット上で平均IOU 0.883、91.09%の正確性を達成し、限られたラベル付きデータ環境下でも既存手法を上回る性能を発揮した。

ABSTRACT

Gastric cancer is the second leading cause of cancer-related deaths worldwide, and the major hurdle in biomedical image analysis is the determination of the cancer extent. This assignment has high clinical relevance and would generally require vast microscopic assessment by pathologists. Recent advances in deep learning have produced inspiring results on biomedical image segmentation, while its outcome is reliant on comprehensive annotation. This requires plenty of labor costs, for the ground truth must be annotated meticulously by pathologists. In this paper, a reiterative learning framework was presented to train our network on partial annotated biomedical images, and superior performance was achieved without any pre-trained or further manual annotation. We eliminate the boundary error of patch-based model through our overlapped region forecast algorithm. Through these advisable methods, a mean intersection over union coefficient (IOU) of 0.883 and mean accuracy of 91.09% on the partial labeled dataset was achieved, which made us win the 2017 China Big Data & Artificial Intelligence Innovation and Entrepreneurship Competitions.

研究の動機と目的

• 生体医療画像セグメンテーションにおける高コストなアノテーションの課題に対処すること。特に胃がん病理画像に特化して。
• 完全な病理医レベルのラベリングに依存せずに、部分ラベル付きデータのみで正確な腫瘍セグメンテーションを実現すること。
• パッチベースのディープラーニングモデルに一般的に見られる境界誤差を、新規の重複領域予測戦略により是正すること。
• 追加の手動アノテーションを必要とせず、予測を反復的に精錬する自己向上型の学習フレームワークを開発すること。
• 現実世界の部分ラベル付き胃がん腫瘍データセットにおいて、最先端の性能を達成すること。

提案手法

• フレームワークは、画像パッチからの局所的特徴を抽出するためにパッチベースの畳み込みニューラルネットワーク（CNN）を採用している。
• 反復的学習戦略が適用されており、モデルの予測結果が次の学習イテレーションにおける仮ラベルとして再利用され、性能向上が図られている。
• 重複領域予測アルゴリズムが導入されており、重複するパッチからの予測を集約することで、境界の不一致を是正している。
• 事前学習や追加の手動アノテーションを必要とせず、部分ラベル付きデータ上でエンドツーエンドに学習が行われている。
• 交差エントロピー損失とDice損失を最適化することで、クラスの不均衡を補い、セグメンテーションの正確性を向上させている。
• 反復的精錬プロセスにより、モデルの一般化性能が向上し、境界領域における誤差伝搬が低減されている。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、部分ラベル付きデータのみで高精度な胃がん腫瘍セグメンテーションを達成できるか？
• RQ2 追加のラベルなしで、パッチベースセグメンテーションにおける境界誤差を効果的に是正できるか？
• RQ3 反復的再訓練は、ラベルが少ない生体医療データセットにおいて、どの程度性能向上をもたらすか？
• RQ4 限られた正解ラベルがある状況下で、自己教師学習型の精錬メカニズムは、標準的な訓練手法を上回る性能を発揮できるか？
• RQ5 提案手法は、ラベルが疎らな現実世界の病理画像においても、頑健で効果的であるか？

主な発見

• 本手法は、部分ラベル付き胃がん腫瘍データセット上で平均交差率（IOU）0.883を達成した。
• 同じデータセット上で、モデルは平均正確性91.09%を達成し、強力なセグメンテーション性能を示した。
• 重複領域予測アルゴリズムにより、パッチベースモデルに一般的に見られる境界誤差が効果的に是正された。
• 反復的学習フレームワークにより、追加の手動アノテーションや事前学習を必要とせずに性能向上が実現された。
• 本手法は、2017年中国ビッグデータ＆人工知能イノベーション・アントレプレナーシップコンテストで第1位を獲得した。
• 結果から、反復的精錬と重複パッチ解析を用いることで、ラベルが少ない環境下でも高精度なセグメンテーションが可能であることが確認された。