[論文レビュー] Self-Learning to Detect and Segment Cysts in Lung CT Images without Manual Annotation

Ling Zhang, Vissagan Gopalakrishnan+4 more|arXiv (Cornell University)|Jan 25, 2018

Radiomics and Machine Learning in Medical Imaging参考文献 10被引用数 6

ひとこと要約

本論文は、手動アノテーションを一切用いずに肺CTスキャンにおける嚢胞検出およびセグメンテーションの自己学習フレームワークを提案する。初期段階では教師なしのK-meansクラスタリングとグラフカットを用いてセグメンテーションを実行し、その後、自身の予測結果を仮ラベルとして用いてU-Netモデルを繰り返し学習することで、段階的に性能を向上させる。初期の教師なしベースラインを上回り、未学習データにおいても半自動手法を上回る性能を達成した。

ABSTRACT

Image segmentation is a fundamental problem in medical image analysis. In recent years, deep neural networks achieve impressive performances on many medical image segmentation tasks by supervised learning on large manually annotated data. However, expert annotations on big medical datasets are tedious, expensive or sometimes unavailable. Weakly supervised learning could reduce the effort for annotation but still required certain amounts of expertise. Recently, deep learning shows a potential to produce more accurate predictions than the original erroneous labels. Inspired by this, we introduce a very weakly supervised learning method, for cystic lesion detection and segmentation in lung CT images, without any manual annotation. Our method works in a self-learning manner, where segmentation generated in previous steps (first by unsupervised segmentation then by neural networks) is used as ground truth for the next level of network learning. Experiments on a cystic lung lesion dataset show that the deep learning could perform better than the initial unsupervised annotation, and progressively improve itself after self-learning.

研究の動機と目的

• 嚢胞性肺病変の画像セグメンテーションにおいて、高コストなアノテーションと専門家ラベルデータの不足という課題に対処すること。
• いかなる手動ピクセルラベル、スパースラベル、または画像レベルラベルも不要な、非常に弱い教師付き手法を開発すること。
• 教師なしセグメンテーションから出発し、自己学習によって段階的に自己改善するディープラーニングモデルを実現すること。
• ディープラーニングが初期の仮ラベルの品質を上回り、段階的にセグメンテーション性能を向上させることを評価すること。

提案手法

• 初期セグメンテーションは、ピクセル強度と局所窓統計量を用いた空間的K-meansクラスタリングにより生成され、その後、二乗強度差に基づくデータ項と平滑性項（δ = 0.003）を用いたグラフカット最適化が適用される。
• 教師なし手法（SK-GC）から得られる仮ラベルが、U-Netセグメンテーションネットワークの学習ターゲットとして使用される。
• 3段階の連続したU-Netモデル（UNet-level1 ～ UNet-level3）が再帰的に訓練され、各段階のモデルは直前のモデルの予測結果を仮ラベルとして用いる。
• 学習率はUNet-level1で1×10⁻⁷に初期化され、以降の各段階で10分の1に減少。各モデルで50kイテレーション、ミニバッチサイズは1。
• このフレームワークは、ディープラーニングが元の学習ラベルよりも優れた予測を生成できるという仮説に基づき、反復的精錬による自己改善を可能にする。
• 訓練は166体のCTボリュームで実施され、17体は未学習テスト用に保持。性能評価にはDice係数と嚢胞スコアの絶対差（ADCS）が用いられる。

実験結果

リサーチクエスチョン

• RQ1 手動アノテーションが一切ない状況で、ディープラーニングモデルが初期の教師なしセグメンテーション手法を上回る性能を達成できるか？
• RQ2 モデルの予測結果を仮ラベルとして用いた再帰的自己学習が、嚢胞セグメンテーション精度を段階的に向上させるか？
• RQ3 専門家ラベルデータが存在しない状況で、提案手法が既存の半自動的または弱い教師付き手法を上回れるか？
• RQ4 複数反復した後、自己学習プロセスが安定化するか、あるいは劣化するか。性能はどこまで向上し、飽和するか？

主な発見

• UNet-level1は、17体の未学習テストボリュームで75.41%のDiceスコアと3.65%のADCSを達成し、教師なしのSK-GC教師（74.67% Dice、3.71% ADCS）を上回った。
• UNet-level2は未学習データで最高の性能を示し、75.87%のDiceと3.38%のADCSを達成。自己学習によるセグメンテーション精度の向上を示した。
• 6体の難易度の高いCT画像（SK-GCとUNet間でADCSが高い）のサブセットでは、UNet-level2が82.65%のDiceと1.98%のADCSを達成。SK-GC（70.39% Dice、11.25% ADCS）および[5]の半自動手法（79.05% Dice、5.19% ADCS）を顕著に上回った。
• UNet-level3では性能が頭打ちとなり、未学習データで74.94%のDiceと4.56%のADCSを示した。これは2回の自己学習反復後に収束し、利得が減少することを示唆した。
• 全訓練プロセスは約17時間で完了し、1スライスあたりの推論時間は0.13秒であり、計算上の実行可能性が裏付けられた。
• 図3の可視化結果では、各自己学習段階で過剰セグメンテーションと不十分セグメンテーションが減少しており、特に重複する嚢胞の境界精度が向上している。