[論文レビュー] Pseudo-Label Guided Multi-Contrast Generalization for Non-Contrast Organ-Aware Segmentation

Ho Hin Lee, Yucheng Tang+8 more|arXiv (Cornell University)|May 12, 2022

Advanced X-ray and CT Imaging被引用数 4

ひとこと要約

本論文は、生成的対抗ネットワークを回避するために、ペアで提供される対比強調CT（CECT）のコンテキストを教師の指導として用い、非対比強調CT（NCCT）の臓器セグメンテーションのための擬似ラベル誘導型教師なし手法を提案する。強度相関モデリングによる臓器に特化した境界検出の向上を図り、最先端の性能を達成しており、内部の多臓器セグメンテーションで+3.98%、外部の腹大動脈セグメンテーションで+8.00%のDiceスコア向上を達成した。

ABSTRACT

Non-contrast computed tomography (NCCT) is commonly acquired for lung cancer screening, assessment of general abdominal pain or suspected renal stones, trauma evaluation, and many other indications. However, the absence of contrast limits distinguishing organ in-between boundaries. In this paper, we propose a novel unsupervised approach that leverages pairwise contrast-enhanced CT (CECT) context to compute non-contrast segmentation without ground-truth label. Unlike generative adversarial approaches, we compute the pairwise morphological context with CECT to provide teacher guidance instead of generating fake anatomical context. Additionally, we further augment the intensity correlations in 'organ-specific' settings and increase the sensitivity to organ-aware boundary. We validate our approach on multi-organ segmentation with paired non-contrast & contrast-enhanced CT scans using five-fold cross-validation. Full external validations are performed on an independent non-contrast cohort for aorta segmentation. Compared with current abdominal organs segmentation state-of-the-art in fully supervised setting, our proposed pipeline achieves a significantly higher Dice by 3.98% (internal multi-organ annotated), and 8.00% (external aorta annotated) for abdominal organs segmentation. The code and pretrained models are publicly available at https://github.com/MASILab/ContrastMix.

研究の動機と目的

• 非対比強調CT（NCCT）スキャンにおける臓器境界の曖昧さの問題に取り組むこと。
• 高価な人為的アノテーションによる真のラベルが不要な状態で、NCCTにおける正確な臓器セグメンテーションを可能にすること。
• マルチコントラストコンテキストモデリングを通じて、臓器固有の解剖学的境界への感受性を向上させること。
• ペアで提供されるCECTスキャンからNCCTセグメンテーションに知識を転送する汎用的で教師なしのフレームワークを開発すること。
• 内部の多臓器および外部の独立した腹大動脈セグメンテーションコhortにおける性能の妥当性を検証すること。

提案手法

• ペアで提供されるNCCTおよびCECTスキャンを用いて、生成的対抗学習の代わりに擬似ラベルのガイダンスとしての形で形態的コンテキストを計算する。
• ペアのCECTスキャンを活用して、教師なしの方法でNCCTセグメンテーションをガイドする構造的コンテキストを抽出する。
• 臓器特異的領域における強度相関学習を強化することで、境界への感受性を向上させる。
• コントラストタイプ間の空間的および強度的関係をモデリングすることで、マルチコントラスト一般化を実現する。
• CECTから得られる擬似ラベルを教師信号として用い、NCCTの学生ネットワークに指導する自己教師付きトレーニングパイプラインを適用する。
• 妥当性評価のため、5分割交差検証および独立したNCCTコhortにおける完全外部検証を実施する。

実験結果

リサーチクエスチョン

• RQ1 マルチコントラストCECTコンテキストは、真のラベルが不要な状態で、教師なしNCCT臓器セグメンテーションを効果的に誘導できるか？
• RQ2 ペアのCECTから得られる擬似ラベル誘導は、生成的対抗アプローチに比べて、臓器境界の保持においてどのように優れているか？
• RQ3 臓器特異的強度相関のモデリングは、NCCTにおけるセグメンテーション精度の向上にどの程度寄与するか？
• RQ4 提案手法は、特に腹大動脈のような挑戦的な構造に対して、独立した外部NCCTコホートに一般化できるか？
• RQ5 完全教師なし設定下で、本手法はNCCT臓器セグメンテーションにおいて最先端の性能を達成できるか？

主な発見

• 本手法は、完全教師あり設定下での現在の最先端手法と比較して、内部の多臓器セグメンテーションで3.98%高いDiceスコアを達成した。
• 独立した外部の腹大動脈セグメンテーションコホートにおいて、本手法は現在のSOTAと比較して8.00%高いDiceスコアを達成した。
• 本モデルは、完全外部テストによる検証を通じて、未観測のNCCTスキャンへの強い一般化性能を示した。
• CECTから得られる形態的コンテキストを擬似ラベルとして用いることで、生成的対抗学習に比べて境界の保持性能が優れた。
• 臓器特異的領域における強度相関のモデリングにより、本手法は有効に臓器に特化した表現を学習した。
• コードおよび事前学習済みモデルは公開されており、再現性とさらなる研究の促進に貢献している。