[論文レビュー] Robust Image Segmentation Quality Assessment

Leixin Zhou, Wenxiang Deng+1 more|arXiv (Cornell University)|Mar 20, 2019

Adversarial Robustness in Machine Learning参考文献 20被引用数 13

ひとこと要約

本稿では、アノテーションのない医療画像セグメンテーション品質評価のための頑健なディープラーニング手法を提案する。この手法は、元の入力画像とセグメンテーションに条件づけられた再構成画像との差に着目する。再構成ネットワーク（REC-Net）と品質回帰ネットワーク（REG-Net）を用いることで、敵対的攻撃に対して頑健性を向上させつつ、ACDC17データセット上での先行研究と同等の性能を維持し、摂動下でも誤差の増加が小さい。

ABSTRACT

Deep learning based image segmentation methods have achieved great success, even having human-level accuracy in some applications. However, due to the black box nature of deep learning, the best method may fail in some situations. Thus predicting segmentation quality without ground truth would be very crucial especially in clinical practice. Recently, people proposed to train neural networks to estimate the quality score by regression. Although it can achieve promising prediction accuracy, the network suffers robustness problem, e.g. it is vulnerable to adversarial attacks. In this paper, we propose to alleviate this problem by utilizing the difference between the input image and the reconstructed image, which is conditioned on the segmentation to be assessed, to lower the chance to overfit to the undesired image features from the original input image, and thus to increase the robustness. Results on ACDC17 dataset demonstrated our method is promising.

研究の動機と目的

• 臨床的・医療画像応用分野において、アノテーションなしでセグメンテーション品質を評価する課題に対処すること。
• 敵対的攻撃や分布シフトに対して脆弱である既存のディープラーニングベースの品質回帰ネットワークの頑健性を向上させること。
• マスクされた入力画像からの再構成誤差を活用することで、セグメンテーション品質に関連する特徴を直接抽出する手法を開発すること。
• 再構成段階で正常（アノテーション済み）データのみを用いて品質回帰ネットワークを訓練することで、教師なしの品質推定を可能にすること。
• 再構成に基づく特徴量が、誤った特徴に過剰適合するのを抑制し、分布シフト下でも一般化性能を向上させることを実証すること。

提案手法

• 再構成ネットワーク（REC-Net）は、訓練段階で正常（アノテーション済み）セグメンテーションのみを用いて、アノテーション済みセグメンテーションでマスクされた入力画像から元の画像を再構成するように訓練される。
• マスクされた入力画像は $\mathcal{I}_{in|\mathcal{S}} = \mathcal{I}_{in} \cdot (1 - \mathcal{S})$ で定義される。ここで $\mathcal{S}$ はセグメンテーションマスクである。
• 再構成差分画像は $\mathcal{I}_{dif} = \mathcal{I}_{in} - \mathcal{I}_{rec}$ で計算され、劣悪なセグメンテーション品質に起因する残差誤差を捉える。
• 品質回帰ネットワーク（REG-Net）は $\mathcal{I}_{dif}$ と候補セグメンテーション $\mathcal{S}_{seg}$ を入力として、Diceスコアを予測する。
• REC-NetはU-Netアーキテクチャを、REG-NetはAlexNetに類似したアーキテクチャを採用し、両者ともDiceスコアの教師あり回帰によりエンドツーエンドで訓練される。
• 敵対的攻撃は、$\mathcal{I}_{in}$ および $\mathcal{I}_{dif}$ に対して高速勾配符号法（FGSM）を用いて生成され、摂動下での頑健性を評価する。

実験結果

リサーチクエスチョン

• RQ1 再構成に基づく特徴量は、敵対的攻撃下でのセグメンテーション品質評価ネットワークの頑健性を向上させることができるか？
• RQ2 元の画像と再構成画像の差分を用いることで、入力画像内の誤った特徴に過剰適合するのを軽減できるか？
• RQ3 本手法は、分布シフトおよび敵対的摂動下で、最先端の回帰ベース品質評価手法と比較してどのように異なるか？
• RQ4 アノテーション済みセグメンテーションのみで訓練された再構成ネットワークでも、多様なセグメンテーション出力に対して有効な品質推定が可能か？
• RQ5 本手法は、ACDC17チャレンジの心筋MRIを含む実世界の医療画像データにおいても高い性能を維持できるか？

主な発見

• 本手法は、ACDC17データセットにおいて攻撃なし条件下で平均絶対誤差（MAE）が 0.04 ± 0.05 を達成し、Robinsonらの最先端手法と同等の性能を示した。
• 敵対的攻撃（$\epsilon = 0.3$）下では、本手法のMAEは 0.12 ± 0.09 に増加したが、Robinsonらの手法は 0.16 ± 0.09 に増加し、誤差増加率が遅やかであった。
• すべての攻撃強度（$\epsilon = 0.05$ から $\epsilon = 0.3$）において、本手法はMAEの増加が著しく小さく、優れた頑健性を示した。
• 再構成差分画像は、セグメンテーション関連の誤差を効果的に捉えており、元の入力画像に存在する誤解を招く可能性のある特徴に依存するのを軽減した。
• 異なるハイパーパrameterを有する多様なU-Netアーキテクチャで訓練した結果、セグメンテーション品質の変動が著しい状況でも、本手法は強固な性能を維持した。
• REC-Netの訓練に正常データ（アノテーション済みセグメンテーション）のみを用いることで、熟練医師による品質スコアが不要な教師なし品質推定が可能になった。