[論文レビュー] Self-supervised Tumor Segmentation through Layer Decomposition

Xiaoman Zhang, Weidi Xie+5 more|arXiv (Cornell University)|Sep 7, 2021

AI in cancer detection参考文献 71被引用数 4

ひとこと要約

本論文は、合成腫瘍データにおけるレイヤー分解を用いた自己教師付き腫瘍セグメンテーション手法を提案し、微調整を伴わずに実臨床画像におけるゼロショット推論を可能にした。合成3Dボリュームを正常組織と腫瘍レイヤーに分解するようにモデルを訓練することで、BraTS2018およびLiTS2017で最先端のゼロショット性能を達成し、低アノテーション環境下でも優れた一般化性能と転送可能性を示した。

ABSTRACT

In this paper, we target self-supervised representation learning for zero-shot tumor segmentation. We make the following contributions: First, we advocate a zero-shot setting, where models from pre-training should be directly applicable for the downstream task, without using any manual annotations. Second, we take inspiration from "layer-decomposition", and innovate on the training regime with simulated tumor data. Third, we conduct extensive ablation studies to analyse the critical components in data simulation, and validate the necessity of different proxy tasks. We demonstrate that, with sufficient texture randomization in simulation, model trained on synthetic data can effortlessly generalise to segment real tumor data. Forth, our approach achieves superior results for zero-shot tumor segmentation on different downstream datasets, BraTS2018 for brain tumor segmentation and LiTS2017 for liver tumor segmentation. While evaluating the model transferability for tumor segmentation under a low-annotation regime, the proposed approach also outperforms all existing self-supervised approaches, opening up the usage of self-supervised learning in practical scenarios.

研究の動機と目的

• 手動アノテーションを伴わずにゼロショット腫瘍セグメンテーションを可能にするために、医療画像セグメンテーションにおける高いアノテーションコストの課題に対処すること。
• データシミュレーションにおけるリアルなテクスチャランダマイゼーションを用いて、合成トレーニングデータと実臨床スキャンの間のドメインギャップを低減すること。
• 微調整を必要とせず、腫瘍マスクを直接予測する層分解に基づく自己教師付きトレーニング方式を開発すること。
• 少数または全くアノテーションが存在しない状況下でも、事前学習モデルの実腫瘍セグメンテーションタスクへの強力な転送可能性を実証すること。
• 広範なアブレーションスタディを通じて、プロキシタスクおよびデータシミュレーション部品の必要性と有効性を検証すること。

提案手法

• アルファブレンドを用いて人工腫瘍を正常臓器構造に統合することで、リアルな腫瘍外観を再現する合成3D医療ボリュームを生成する。
• 合成入力から正常臓器、腫瘍、および腫瘍マスクを再構築するように深層ニューラルネットワークを訓練し、レイヤー分解目的関数を用いる。
• 自己教師付きプロキシタスクを再構築問題として定式化し、モデルが入力を組織成分と腫瘍成分に分離するように学習する。
• データ生成時にテクスチャランダマイゼーションを適用することで、実腫瘍外観への一般化を向上させ、ドメインシフトを低減する。
• 事前学習モデルを直接実スキャンに適用し、微調整なし（ゼロショット設定）で腫瘍マスクを予測する。
• 少数のアノテーションが利用可能な場合に効率的な微調整を可能にし、低データ環境下での強力な転送可能性を示す。

実験結果

リサーチクエスチョン

• RQ1 合成腫瘍データで訓練された自己教師付きモデルは、微調整なしに実腫瘍セグメンテーションに直接一般化可能か？
• RQ2 合成データ生成におけるテクスチャランダマイゼーションは、モデルの実腫瘍への一般化能力にどのように影響するか？
• RQ3 再構築や分解などの異なるプロキシタスクが、下流の腫瘍セグメンテーション性能に与える影響は何か？
• RQ4 本手法は、既存の自己教師付きアプローチと比較して、ゼロショットおよびローショット転送可能性においてどのように優れているか？
• RQ5 データシミュレーションパイプラインの中で、実臨床データへの強力な一般化を達成するために最も重要なコンポonentsは何か？

主な発見

• 本手法は、ゼロショット設定下でBraTS2018の全腫瘍セグメンテーションにおいて90.10 ± 0.51のDiceスコアを達成し、既存のすべての自己教師付き手法を上回った。
• LiTS2017では、ゼロショット推論下で全腫瘍セグメンテーションにおいて81.39 ± 0.64のDiceスコアを達成し、優れた一般化性能を示した。
• トレーニングデータの10%と完全な微調整を用いた場合、BraTS2018の強化腫瘍セグメンテーションで99.86 ± 0.01のDiceスコアを達成し、SOTAを上回った。
• アブレーションスタディにより、合成データにおける十分なテクスチャランダマイゼーションが一般化に不可欠であり、ドメインシフトを低減し、ロバストネスを向上させることを確認した。
• ベースラインと比較して、本モデルは実行間の標準偏差が低く、自己教師付き環境下でのトレーニング安定性とロバストネスが優れていることを示した。
• 微調整なしでも、データオーグメンテーションなしでスクラッチから監督学習を行う場合を上回る性能を示し、自己教師付き事前学習の有効性を強力に裏付けた。