[論文レビュー] Positional Contrastive Learning for Volumetric Medical Image Segmentation

Dewen Zeng, Yawen Wu+7 more|arXiv (Cornell University)|Jun 16, 2021

Domain Adaptation and Few-Shot Learning参考文献 26被引用数 6

ひとこと要約

本稿では、体積的医療画像セグメンテーションのための新しい自己教師ありフレームワークである位置的対照的学習（PCL）を提案する。PCLは3Dボリューム内の空間的位置に基づいて対照的ペアを生成することで、誤った負例（false negatives）を低減する。近接するスライスを正例ペアとし、遠く離れたスライスを負例ペアとするアプローチにより、表現学習を向上させ、CTおよびMRIデータセットにおいて半教師ありおよび転移学習設定で最先端の性能を達成した。

ABSTRACT

The success of deep learning heavily depends on the availability of large labeled training sets. However, it is hard to get large labeled datasets in medical image domain because of the strict privacy concern and costly labeling efforts. Contrastive learning, an unsupervised learning technique, has been proved powerful in learning image-level representations from unlabeled data. The learned encoder can then be transferred or fine-tuned to improve the performance of downstream tasks with limited labels. A critical step in contrastive learning is the generation of contrastive data pairs, which is relatively simple for natural image classification but quite challenging for medical image segmentation due to the existence of the same tissue or organ across the dataset. As a result, when applied to medical image segmentation, most state-of-the-art contrastive learning frameworks inevitably introduce a lot of false-negative pairs and result in degraded segmentation quality. To address this issue, we propose a novel positional contrastive learning (PCL) framework to generate contrastive data pairs by leveraging the position information in volumetric medical images. Experimental results on CT and MRI datasets demonstrate that the proposed PCL method can substantially improve the segmentation performance compared to existing methods in both semi-supervised setting and transfer learning setting.

研究の動機と目的

• 3D医療画像セグメンテーションにおける従来の対照的学習手法が、ボリューム全体で解剖学的類似性があるために生じる高い誤った負例ペアのレートを是正すること。
• スライスの位置情報から得られる位置的文脈を組み込むことで、体積的医療画像における自己教師あり表現学習を向上させること。
• ラベルなし体積データをより効果的に活用することで、限定的なラベル付きデータを用いた下流のセグメンテーション性能を向上させること。
• 多様な3D医療画像データセットにおいて、半教師ありおよび転移学習の両設定で、既存の対照的学習ベースラインを上回ること。

提案手法

• PCLは、z軸における相対的位置に基づき、3Dボリューム内で空間的に近いスライスから正例ペアを生成する。
• 遠く離れたスライス同士を負例ペアとして形成することで、解剖学的類似性に起因する誤った負例の発生確率を低減する。
• 標準的なデータ拡張（例：回転、クロップ）をスライスに適用した後、表現空間における対照的損失を計算する。
• 対照的損失は、正例ペアの表現を近づけ、負例ペアの表現を遠ざけるように適用される。
• PCLで事前学習されたエンコーダーは、ラベル付きサンプルをわずかに使用して、下流のセグメンテーションタスクに微調整される。
• 本フレームワークは、4つの3D医療画像データセット（CHD, ACDC, MMWHS, HVSMR）を用いて、交差検証および転移学習プロトコルで評価された。

実験結果

リサーチクエスチョン

• RQ1 3D医療ボリューム内の位置情報は、誤った負例ペアを低減することで、対照的学習の質を向上させることができるか？
• RQ2 限定的な監視下において、PCLは既存の対照的学習手法と比較して、セグメンテーション精度で優れているか？
• RQ3 半教師ありおよび転移学習設定において、PCLは異なる画像モodalおよび解剖学的構造に一般化して機能するか？
• RQ4 正例ペア選択の基準として空間的近接性を用いることで、パーティションベースやランダムサンプリング戦略に比べてどの程度性能が向上するか？

主な発見

• ACDCデータセットでは、PCLはわずか2つのラベル付きサンプルでの設定でDiceスコア0.929を達成し、次に優れた手法（GCL）を0.016上回った。
• CHDデータセットでは、PCLはGCLに比べてセグメンテーションDiceを最大0.04向上させ、特にラベル数が少ない状況（2〜4サンプル）で顕著な向上を示した。
• 転移学習において、CHDからMMWHSに転移する際、PCLはわずか16個のラベル付きサンプルでDice 0.869を達成し、最良のベースライン（GCL）を0.018上回った。
• HVSMRでは、PCLは8個のラベル付きサンプルでDice 0.857を達成し、次に優れた手法（GCL）を0.014上回り、異なる画像プロトコル間での強力な一般化能力を示した。
• SimCLRはACDCにおいてランダム初期化よりも性能が悪く、標準的な拡張ベースの対照的学習が3D医療データでは過剰な誤った負例を生じさせることを示唆している。
• PCLの性能向上は、ラベル付きデータが極めて少ない場合に顕著であり、PCLがラベルなしデータを効果的に活用してサンプル効率を向上させていることを示している。