[論文レビュー] Pathological Image Segmentation with Noisy Labels

Li Xiao, Yinhao Li+4 more|arXiv (Cornell University)|Mar 20, 2021

AI in cancer detection参考文献 20被引用数 4

ひとこと要約

本論文では、ノイズの多いマルチエキスパートラベル下での病理画像セグメンテーションの性能向上を目的として、新しいラベル再重み付けフレームワークおよびガウス型アテンションフォーカル損失（GAFL）を提案する。周囲の特徴と粗さに敏感なアテンションを活用することで、画素レベルの信頼性を反映し、モデルのロバスト性を向上させた。Gleason 2019データセットにおいて、特に困難なGleason Grade 5領域のセグメンテーション性能が最大29.37%向上し、最先端の性能を達成した。

ABSTRACT

Segmentation of pathological images is essential for accurate disease diagnosis. The quality of manual labels plays a critical role in segmentation accuracy; yet, in practice, the labels between pathologists could be inconsistent, thus confusing the training process. In this work, we propose a novel label re-weighting framework to account for the reliability of different experts' labels on each pixel according to its surrounding features. We further devise a new attention heatmap, which takes roughness as prior knowledge to guide the model to focus on important regions. Our approach is evaluated on the public Gleason 2019 datasets. The results show that our approach effectively improves the model's robustness against noisy labels and outperforms state-of-the-art approaches.

研究の動機と目的

• 複数の病理医による一貫性のないアノテーションが生じる病理画像セグメンテーションの課題に対処すること。
• 臨床病理学データセットにおけるノイズの多い、観察者間のラベルばらつきが原因となるモデルバイアスを低減すること。
• マルチエキスパートラベル統合を用いて、特に高グレードのGleasonパターン（例：グレード5）のセグメンテーションのロバスト性と正確性を向上させること。
• 局所的な画像コンテキストとエキスパートの合意に基づいて、信頼性があり学習可能なラベル重み付けメカニズムを構築すること。
• 公開のGleason 2019ベンチマーク上で手法を検証し、最先端のアプローチを上回る優れた性能を示すこと。

提案手法

• ラベル再重み付けフレームワークは、周囲の特徴に基づいて画素ごとに動的損失重みを割り当てる重み付け畳み込みニューラルネットワーク（weighting CNN）を用いる。これはエキスパートの信頼性を反映する。
• ガウス型アテンションフォーカル損失（GAFL）モジュールは、粗さを事前知識として用い、フォーカル損失の再重み付けに用いるヒートマップを生成する。重要な領域に注目を向ける。
• フレームワークは、過半数の合意に基づくボーティング損失と、個々のエキスパートからの重み付き損失を統合し、すべてがGAFLヒートマップによって調整される。
• 重み付けCNNはセグメンテーションネットワークとエンドツーエンドで訓練され、不確実性やノイズのある領域での損失を低減することを最適化する。
• 訓練中に、訓練イテレーション回数に基づくスケジュールを用いて、ハイパーパrameter λ₁ と λ₂ が動的に調整される。
• モデルはHRNet18およびHRNet48バックボーンを用いてGleason 2019データセットで訓練され、検証性能に基づく早期停止が適用される。

実験結果

リサーチクエスチョン

• RQ1 エキスパートのアノテーションが一貫性のない状況下で、学習可能なラベル再重み付けメカニズムがセグメンテーション性能を向上させることができるか？
• RQ2 損失関数に粗さを事前知識として組み込むことで、モデルのアテンションとセグメンテーション精度にどのような影響を与えるか？
• RQ3 提案されたGAFLおよび再重み付けモジュールが、ノイズの多いマルチエキスパートラベルが病理画像セグメンテーションに与える悪影響をどの程度軽減できるか？
• RQ4 このフレームワークは、異なるバックボーンアーキテクチャに一般化可能であり、特にグレード5のような難しいGleasonグレードの性能を向上させることができるか？
• RQ5 実際のノイズの多いラベリング条件下で、公開のGleason 2019ベンチマークにおいて、既存の最先端モデルを上回る性能を発揮できるか？

主な発見

• HRNet18を用いた場合、Gleason 2019テストセットにおける平均Dice係数は66.21%に達し、以前のSOTAであるPSPNet（55.53%）を上回った。
• ラベル再重み付けモジュールとGAFLモジュールの両方を追加した場合、ベースラインと比較して、HRNet18ではGleasonグレード5のDiceスコアが29.37%向上し、HRNet48では21.19%向上した。
• GAFLモジュール単体でも、HRNet18ではDiceスコアが4.07%向上した。これは、重要な領域に注目する強力な影響を示している。
• ラベル再重み付けモジュール単体でも、HRNet18では0.36%の向上を示し、ラベルノイズの処理において段階的だが有意義な改善を示した。
• アブレーションスタディの結果、両モジュールが異なるバックボーンで一貫してセグメンテーション性能を向上させており、特にセグメンテーションが難しい領域（例：Gleasonグレード5）で顕著な向上が得られた。
• 可視化結果から、本手法は特に高グレードのがん性領域を明確に区別できる、より正確で整合性のあるセグメンテーションマップを生成することが示された。