[論文レビュー] Semi-supervised Anatomical Landmark Detection via Shape-regulated Self-training

Runnan Chen, Yuexin Ma+5 more|arXiv (Cornell University)|May 28, 2021

Medical Imaging and Analysis参考文献 35被引用数 4

ひとこと要約

本論文は、PCAに基づく形状事前分布を用いて一貫性のない疑似ラベルを精錬し、領域注目損失を導入してネットワークが構造的に一貫性のある領域に注目するように誘導する、形状制御型自己教師付きフレームワークを、半教師あり解剖学的ランドマーク検出に提案する。本手法は最先端の性能を達成し、ベンチマークデータセットにおいて平均登録誤差を6.3%改善し、最小限のラベル付きデータでも優れた汎化性能を示す。

ABSTRACT

Well-annotated medical images are costly and sometimes even impossible to acquire, hindering landmark detection accuracy to some extent. Semi-supervised learning alleviates the reliance on large-scale annotated data by exploiting the unlabeled data to understand the population structure of anatomical landmarks. The global shape constraint is the inherent property of anatomical landmarks that provides valuable guidance for more consistent pseudo labelling of the unlabeled data, which is ignored in the previously semi-supervised methods. In this paper, we propose a model-agnostic shape-regulated self-training framework for semi-supervised landmark detection by fully considering the global shape constraint. Specifically, to ensure pseudo labels are reliable and consistent, a PCA-based shape model adjusts pseudo labels and eliminate abnormal ones. A novel Region Attention loss to make the network automatically focus on the structure consistent regions around pseudo labels. Extensive experiments show that our approach outperforms other semi-supervised methods and achieves notable improvement on three medical image datasets. Moreover, our framework is flexible and can be used as a plug-and-play module integrated into most supervised methods to improve performance further.

研究の動機と目的

• 医療画像における解剖学的ランドマークの手動アノテーションにかかる高コストと専門知識の必要性に対処する。
• 半教師あり学習において未ラベルデータを活用することで、大規模な完全ラベル付きデータセットへの依存を低減する。
• 従来の手法で無視されがちなグローバルな解剖学的形状制約を組み込むことで、自己教師学習における疑似ラベルの一貫性を向上させる。
• 既存のヒートマップベースの教師あり手法と互換性があり、性能を向上させる柔軟でプラグアンドプレイなモジュールを開発する。

提案手法

• 未ラベルデータの初期疑似ラベルを生成するために事前学習済みのバックボーンネットワークを用いる。
• 学習された形状空間への射影と異常または一貫性のない予測のフィルタリングにより、PCAに基づく形状モデルを用いて疑似ラベルを正則化する。
• ネットワークが正確な点に固定されるのではなく、疑似ラベルランドマークの周囲の空間的に一貫性のある構造的領域に注目するよう促す、領域注目損失を導入する。
• 反復的な自己教師学習を実施：形状正則化により疑似ラベルを精錬し、領域注目損失で最適化し、ネットワークを真のラベルをよりよく予測できるように更新する。
• 異なる画像デバイス間での頑健性を確保するため、多様なソースからの未ラベルデータで学習を実施する。
• 既存の教師ありランドマーク検出モデルに、このフレームワークをプラグアンドプレイモジュールとして統合する。

実験結果

リサーチクエスチョン

• RQ1 グローバルな解剖学的形状制約は、半教師ありランドマーク検出における疑似ラベル品質向上に有効に活用できるか？
• RQ2 PCAに基づく事前分布による形状正則化は、自己教師学習中の疑似ラベルの一貫性をどのように低減するか？
• RQ3 領域注目損失は、ランドマーク周囲の構造的に整合性のある領域に注目させることで、特徴学習をどの程度向上させるか？
• RQ4 ラベル付きデータとは異なる画像デバイスからの未ラベルデータが使用された場合、本手法はどの程度汎化性能を示すか？
• RQ5 本手法の形状制御型自己教師付き学習アプローチにより、最小限のラベル付きデータでどの程度の性能向上が達成できるか？

主な発見

• 提案手法は、3Dスカルデータセットにおいて、既存の半教師あり手法と比較して平均登録誤差を相対的に6.3%改善した。
• セファログラムデータセットでは、たった20個のラベル付きサンプルでのみ16.7%の改善を達成し、優れたデータ効率性を示した。
• アブレーションスタディの結果、領域注目損失を削除すると誤差が0.8925mmから0.9293mmに上昇し、その重要性が確認された。
• 形状正則化を除去した場合、誤差は0.8925mmから0.9117mmに上昇し、形状事前分布が自己教師学習の安定性を高め、精度を向上させることを示した。
• 未ラベルデータの増加に伴い性能が向上：150、300、600個の未ラベルサンプルでそれぞれ4.4%、5.8%、6.7%の向上が観察された。
• 異なる画像デバイス間でも良好な汎化性能を示し、ラベル付きデータとは異なるスキャナからの未ラベルデータでも高い性能を維持した。