[論文レビュー] Realistic Adversarial Data Augmentation for MR Image Segmentation

Chen Chen, Chen Qin+7 more|arXiv (Cornell University)|Jun 23, 2020

Adversarial Robustness in Machine Learning参考文献 32被引用数 10

ひとこと要約

本稿では、MRI画像のセグメンテーションのための現実的で敵対的なデータ拡張手法を提案する。この手法は、MRIに一般的に見られる強度不均一性を模倣するための敵対的バイアスフィールドを生成することで、生成ネットワークを用いずにモデルのロバスト性と一般化性能を向上させる。低データおよびクロスパopulation設定において、困難で現実的な強度劣化を敵対的に最適化することで性能を向上させ、半教師ありおよび低ショット学習のシナリオで最先端の結果を達成している。

ABSTRACT

Neural network-based approaches can achieve high accuracy in various medical image segmentation tasks. However, they generally require large labelled datasets for supervised learning. Acquiring and manually labelling a large medical dataset is expensive and sometimes impractical due to data sharing and privacy issues. In this work, we propose an adversarial data augmentation method for training neural networks for medical image segmentation. Instead of generating pixel-wise adversarial attacks, our model generates plausible and realistic signal corruptions, which models the intensity inhomogeneities caused by a common type of artefacts in MR imaging: bias field. The proposed method does not rely on generative networks, and can be used as a plug-in module for general segmentation networks in both supervised and semi-supervised learning. Using cardiac MR imaging we show that such an approach can improve the generalization ability and robustness of models as well as provide significant improvements in low-data scenarios.

研究の動機と目的

• 最小限のラベル付きデータでモデルの一般化性能とロバスト性を向上させることにより、医療画像セグメンテーションにおけるデータ不足の問題に対処すること。
• 複雑な生成モデルに依存せずに、具体的にはバイアスフィールドの不均一性を含む現実的なMRIアーティファクトを模倣すること。
• 教師ありおよび半教師ありのセグメンテーションネットワークと互換性がある、即挿し可能な効率的なデータ拡張モジュールを開発すること。
• トレーニング中に困難で現実的な例を敵対的に生成することで、強度摂動に対するモデルのロバスト性を高めること。
• 分布シフトとデータ不足が深刻な課題となる低データおよびクロスパopulationシナリオにおいて、有効性を実証すること。

提案手法

• MRI撮影で一般的に見られるバイアスフィールド効果を模倣する物理ベースの強度変換モデルを導入する。
• モデルの不確実性を最大にするような、最も困難で現実的な強度劣化を最適化するために敵対的トレーニングを用いる。
• KLダイバージェンスと補完的正則化項（𝒟comp）を組み合わせた微分可能損失関数を用い、敵対的バイアスフィールドの生成をガイドする。
• セグメンテーションが難しい領域における予測不確実性を最大化するように、バイアスフィールドのパラメータを最適化することで敵対的例を生成する。
• トレーニング中に敵対的例を正則化として適用し、ネットワークがテクスチャベースの特徴ではなく、形状ベースの特徴を学習するよう促進する。
• 本手法は軽量であり、生成ネットワークを必要とせず、既存のセグメンテーションアーキテクチャに即挿し可能なモジュールとして統合可能である。

実験結果

リサーチクエスチョン

• RQ1 現実的なバイアスフィールドアーティファクトを用いた敵対的データ拡張は、MR画像セグメンテーションにおける一般化性能とロバスト性を向上させることができるか？
• RQ2 低データおよびクロスパopulation設定において、敵対的バイアスフィールド拡張は、従来のデータ拡張法や他の敵対的手法と比較してどのように性能を発揮するか？
• RQ3 物理的に妥当な強度劣化を用いた敵対的トレーニングは、追加のGANや複雑なトレーニングを必要とせずに、生成モデルベースの拡張を上回る性能を発揮できるか？
• RQ4 健康被験者でのみ学習した場合、病理的症例における性能向上が見られるか？
• RQ5 限定的なラベル付きデータを用いた半教師あり学習において、敵対的拡張がどの程度効果を発揮するか？

主な発見

• 本手法はクロスパopulationテストセットにおいてDiceスコア0.868を達成し、Mixup（0.833）とVAT（0.859）を上回った。特にMINF症例において顕著な向上が見られた。
• 1例のラベル付き被験者での低データ半教師あり学習において、Diceスコア0.686を達成し、VAT（0.625）を上回り、cGANと同等の性能を示した。
• 敵対的バイアスフィールド拡張により、ランダムなバイアスフィールド拡張と比較して、Diceスコアが0.852から0.868に向上した。
• 補完的正則化項𝒟compの導入により、平均Diceスコアが0.859から0.868に向上し、よりロバストな特徴の学習が可能になったことが示された。
• 健康被験者でのみ学習した場合でも、病理的症例における性能低下を効果的に緩和した。これは、分布シフトに対するロバスト性の向上を示している。
• 可視化により、本手法が解剖学的構造を保持したまま多様な画像スタイルを生成することが確認され、形状ベースの表現学習を促進していることが示された。