[論文レビュー] Prior-aware Neural Network for Partially-Supervised Multi-Organ Segmentation

Yuyin Zhou, Zhe Li+6 more|arXiv (Cornell University)|Apr 12, 2019

Advanced Neural Network Applications参考文献 42被引用数 47

ひとこと要約

PaNNは腹部臓器サイズの解剖学的事前情報を部分的に教師付けられた多臓器セグメンテーションフレームワークに統合し、出力サイズ分布を経験的 priors に向けて正規化する min-max トレーニング目的を用いて、MICCAI 2015 で最新の結果を達成します。

ABSTRACT

Accurate multi-organ abdominal CT segmentation is essential to many clinical applications such as computer-aided intervention. As data annotation requires massive human labor from experienced radiologists, it is common that training data are partially labeled, e.g., pancreas datasets only have the pancreas labeled while leaving the rest marked as background. However, these background labels can be misleading in multi-organ segmentation since the "background" usually contains some other organs of interest. To address the background ambiguity in these partially-labeled datasets, we propose Prior-aware Neural Network (PaNN) via explicitly incorporating anatomical priors on abdominal organ sizes, guiding the training process with domain-specific knowledge. More specifically, PaNN assumes that the average organ size distributions in the abdomen should approximate their empirical distributions, a prior statistics obtained from the fully-labeled dataset. As our training objective is difficult to be directly optimized using stochastic gradient descent [20], we propose to reformulate it in a min-max form and optimize it via the stochastic primal-dual gradient algorithm. PaNN achieves state-of-the-art performance on the MICCAI2015 challenge "Multi-Atlas Labeling Beyond the Cranial Vault", a competition on organ segmentation in the abdomen. We report an average Dice score of 84.97%, surpassing the prior art by a large margin of 3.27%.

研究の動機と目的

• 腹部CTスキャンのラベリングコストのためにアノテーションが部分的になる場合でも、正確な多臓器セグメンテーションを動機づける。
• 臓器サイズの解剖学的事前情報を導入してセグメンテーション出力を正則化する。
• 確率的勾配降下法に適したミン-max最適化方式を通じて事前情報を組み込むトレーニング目的を開発する。
• PaNN が標準的な腹部セグメンテーションのベンチマークで、部分的にラベル付けされたデータを用いた従来手法を上回ることを示す。

提案手法

• いくつかのデータセットが臓器の一部のみをラベリングする状況において、複数の腹部臓器にわたる部分的監視を定義する。
• ネットワーク出力が fully-labeled data から経験的に観察された臓器サイズの割合に一致するよう促す prior-aware loss を導入し、平均出力分布を prior 統計と一致させることによって活性化する。
• prior loss を臓器の事前分布とネットワークの平均予測分布との間の KL 発散として定式化し、SGDベースの最適化を可能にする補助的なデュアル変数を用いてミン-max問題へ変換する。
• 交互最適化戦略を採用する: (a) 部分ラベルデータの擬似ラベルを推定し prior 項を最大化するようデュアル変数を更新; (b) 組み合わせた損失を最小化するようネットワークパラメータを更新。
• 2段階のトレーニング手順を提供: まず fully-labeled データで初期化のために学習し、次に fully- および partially-labeled データを min-max 目的で共同学習する。
• MICCAI 2015 データセットを用いて 2D および 3D セグメンテーションモデルをクロスバリデーションで評価し、 Dice scores を報告する。

実験結果

リサーチクエスチョン

• RQ1 解剖学的事前情報は、訓練データが部分的にラベル付けされている場合に多臓器セグメンテーションを改善できるか。
• RQ2 先行研究と異なるセグメンテーション目的関数に、確率的最適化と整合する形で事前情報をどのように組み込むことができるか。
• RQ3 PaNN は腹部臓器セグメンテーションのベンチマークにおいて、単純な部分監視や半教師付きアプローチを上回るか。
• RQ4 部分監視の下で PaNN を異なるバックボーンアーキテクチャ（2D 対 3D）で用いた場合のセグメンテーション性能への影響は何か。

主な発見

• PaNN は MICCAI 2015 Multi-Atlas Abdomen Labeling で平均 Dice スコア 84.97% を達成し、従来技術を 3.27% ポイント上回った。
• 部分監視の下、PaNN は概して naive 部分監視法を上回り、さまざまなバックボーン（例: ResNet-50, ResNet-101, 3D-UNet）で顕著な利得を示した。
• 本手法は多くの臓器、特に胆嚢、食道、膵臓、腎上腺など小型・複雑な臓器に対して統計的に有意な改善を示す。
• 2段階のトレーニング戦略とミン-max最適化により、追加のラベリング予算を要することなく部分的にラベル付けされたデータセットを効果的に活用できる。
• PaNN は他データセットでの実験でも強い一般化性能を示し、競合手法と比較して完全監視・半監視・部分監視のいずれにおいてもより良い性能を達成した。