[論文レビュー] Semi-Supervised Learning And Graph Cuts For Consensus Based Medical Image Segmentation

Dwarikanath Mahapatra|arXiv (Cornell University)|Dec 7, 2016

Colorectal Cancer Screening and Detection被引用数 1

ひとこと要約

本稿では、自己整合性スコアとグローバル最適化を用いて局所的最小値を回避することで、専門家によるアノテーションからコンセンサス医療画像セグメンテーションを導出する、グラフカットと半教師付き学習の枠組みを提案する。合成画像、クローン病患者の画像、網膜画像において、反復的EMベースの手法よりもより正確で一貫性のあるセグメンテーションを達成する。

ABSTRACT

Medical image segmentation requires consensus ground truth segmentations to be derived from multiple expert annotations. A novel approach is proposed that obtains consensus segmentations from experts using graph cuts (GC) and semi supervised learning (SSL). Popular approaches use iterative Expectation Maximization (EM) to estimate the final annotation and quantify annotator's performance. Such techniques pose the risk of getting trapped in local minima. We propose a self consistency (SC) score to quantify annotator consistency using low level image features. SSL is used to predict missing annotations by considering global features and local image consistency. The SC score also serves as the penalty cost in a second order Markov random field (MRF) cost function optimized using graph cuts to derive the final consensus label. Graph cut obtains a global maximum without an iterative procedure. Experimental results on synthetic images, real data of Crohn's disease patients and retinal images show our final segmentation to be accurate and more consistent than competing methods.

研究の動機と目的

• 反復的期待最大化（EM）法におけるコンセンサスセグメンテーションの限界、特に局所的最小値への収束のリスクを解消すること。
• 複数の専門家によるアノテーションから得られるコンセンサスセグメンテーションの一貫性と正確性を向上させること。
• 半教師付き学習を用いて低レベルの画像特徴とグローバルな文脈を統合し、欠落したアノテーションを予測すること。
• 自己整合性（SC）スコアを2次モードランダムフィールド（MRF）のペナルティ項として用い、グラフカットによるグローバル最適化を実現すること。
• 反復的精緻化を排除し、グラフカットを活用してグローバルに最適な解を得ること。

提案手法

• 低レベルの画像特徴に基づく自己整合性（SC）スコアを提案し、アノテーターの一貫性を定量化する。
• グローバルな画像特徴と局所的一致性を活用して、欠落した専門家アノテーションを予測する半教師付き学習を採用する。
• SCスコアを2次MRFコスト関数のペナルティ項として統合する。
• グラフカットを用いてMRFを最適化し、反復的精緻化を伴わずグローバルに最適なセグメンテーションを取得する。
• 最終的なMRFコスト関数を用いて、1回の最適化ステップでコンセンサスセグメンテーションを導出する。
• 局所的一致性とグローバル特徴学習を統合することで、アノテーション予測とコンセンサスの正確性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 低レベル特徴に基づく自己整合性スコアは、医療画像におけるコンセンサスセグメンテーションの信頼性を向上させることができるか？
• RQ2 マルチアノテーター環境において、半教師付き学習は欠落した専門家アノテーションの予測をどのように向上させるか？
• RQ3 SCに基づくペナルティを備えた2次MRFをグラフカットで最適化することで、反復的EM法よりも優れたコンセンサスセグメンテーションが得られるか？
• RQ4 本手法は、従来のEMベースのアプローチと比較して、局所的最小値への感受性をどの程度低減するか？
• RQ5 局所的一致性とグローバル特徴の統合は、多様な医療画像処理タスクにおいて、セグメンテーションの正確性と一貫性にどのように影響を与えるか？

主な発見

• 提案手法は、競合する反復的EMベースの手法と比較して、より正確で一貫性のあるコンセンサスセグメンテーションを達成する。
• グラフカットにより反復的精緻化を伴わずグローバルに最適な解が得られ、局所的最小値への収束を回避する。
• 自己整合性スコアは、低レベルの画像特徴を用いてアノテーターの信頼性を効果的に定量化する。
• 半教師付き学習により、グローバルな画像文脈と局所的一致性を活用することで、欠落アノテーションの予測精度が向上する。
• 本手法は、合成画像、クローン病患者のスキャン、網膜画像において優れた性能を示す。
• MRFコスト関数にSCスコアをペナルティ項として統合することで、正則化の向上によりセグメンテーション品質が向上する。