[論文レビュー] Privacy Preserving Domain Adaptation for Semantic Segmentation of Medical Images.

Serban Stan, Mohammad Rostami|arXiv (Cornell University)|Jan 2, 2021

Domain Adaptation and Few-Shot Learning参考文献 73被引用数 14

ひとこと要約

本論文は、プライバシー制約があるにもかかわらず、元のドメインデータにアクセスできない状況下でも、医療画像のセマンティックセグメンテーションのためのプライバシー保護型非教師ありドメイン適応手法を提案する。元のドメインの特徴量からプロトタイプ分布を学習し、それをターゲットドメインと一致させることで、2つの医療画像データセットで最先端の性能を達成した。

ABSTRACT

Convolutional neural networks (CNNs) have led to significant improvements in tasks involving semantic segmentation of images. CNNs are vulnerable in the area of biomedical image segmentation because of distributional gap between two source and target domains with different data modalities which leads to domain shift. Domain shift makes data annotations in new modalities necessary because models must be retrained from scratch. Unsupervised domain adaptation (UDA) is proposed to adapt a model to new modalities using solely unlabeled target domain data. Common UDA algorithms require access to data points in the source domain which may not be feasible in medical imaging due to privacy concerns. In this work, we develop an algorithm for UDA in a privacy-constrained setting, where the source domain data is inaccessible. Our idea is based on encoding the information from the source samples into a prototypical distribution that is used as an intermediate distribution for aligning the target domain distribution with the source domain distribution. We demonstrate the effectiveness of our algorithm by comparing it to state-of-the-art medical image semantic segmentation approaches on two medical image semantic segmentation datasets.

研究の動機と目的

• プライバシー制約により元のドメインデータが入手できない状況下で、医療画像のセマンティックセグメンテーションにおけるドメインシフトを解消すること。
• 元のドメインのサンプルにアクセスを必要としない非教師ありドメイン適応フレームワークの開発。
• ラベルなしターゲットデータと学習済みソースプロトタイプのみを用いて、事前学習済みモデルを新しいターゲットドメインに効果的に適応可能にすること。
• バイオメディカルイメージング応用において、患者データのプライバシーを保護しつつ、高いセグメンテーション精度を維持すること。

提案手法

• 本手法は、元のドメイン特徴量からプロトタイプ分布を学習し、個々のサンプルを保存せずに元データの統計的特徴を表現する。
• このプロトタイプ分布を基準として、トレーニング中にラベルなしターゲットドメインの特徴分布と一致させる。
• ドメインシフトを最小化するために、ターゲットドメイン特徴量とソースプロトタイプとの間にドメインアライメント損失を適用する。
• セグメンテーションヘッドと adversarial アライメントを用いて、エンドツーエンドでモデルを訓練し、プロトタイプをソースドメインのプライバシー保護型代理として使用する。
• 元のデータに直接アクセスしないようにすることで、ソース情報を1つのコンactな分布表現に統合する。

実験結果

リサーチクエスチョン

• RQ1 プライバシー制約により元のドメインデータにアクセスできない状況下でも、医療画像セグメンテーションにおけるドメイン適応を効果的に行うことができるか？
• RQ2 個々のソースサンプルを露呈せずに、代表的なソース分布を学習し、それを用いてターゲットドメイン特徴量をアライメントできるか？
• RQ3 既存のUDAアプローチと比較して、プライバシー保護型ドメイン適応手法の性能はどの程度か？
• RQ4 プロトタイプ分布は、ドメインアライメントにおいて、ソースドメイン統計の信頼できる代理として機能できるか？

主な発見

• 本手法は、元のドメインデータにアクセスできないにもかかわらず、2つの医療画像セマンティックセグメンテーションベンチマークで最先端の性能を達成した。
• 学習済みソースプロトタイプ分布と一致させることで、ターゲット特徴量のドメインシフトが顕著に低減された。
• ソースデータが完全に入手不能であっても、ターゲットドメインにおける高いセグメンテーション精度を維持できた。
• プロトタイプ分布の使用により、患者のプライバシーを保護しつつ、効果的なドメイン適応が可能になった。