[論文レビュー] Semi-supervised learning towards automated segmentation of PET images with limited annotations: Application to lymphoma patients

Fereshteh Yousefirizi, Isaac Shiri+10 more|arXiv (Cornell University)|Dec 19, 2022

Medical Imaging Techniques and Applications被引用数 4

ひとこと要約

本研究では、最小限の専門家アノテーションで、自己腫瘍マッピングを自動化するための、ファジィc-メンズ（FCM）およびムーフォード＝シャー（MS）損失を組み合わせた半教師付き3次元U-Netフレームワークを提案する。最も優れた手法であるRFCM+alpha*LFCM（alpha=0.3）は、Diceスコア0.69 ± 0.03を達成し、教師ありおよび他の半教師付き手法を上回り、臨床ワークフローにおける手動セグメンテーション作業の削減に大きな可能性を示している。

ABSTRACT

The time-consuming task of manual segmentation challenges routine systematic quantification of disease burden. Convolutional neural networks (CNNs) hold significant promise to reliably identify locations and boundaries of tumors from PET scans. We aimed to leverage the need for annotated data via semi-supervised approaches, with application to PET images of diffuse large B-cell lymphoma (DLBCL) and primary mediastinal large B-cell lymphoma (PMBCL). We analyzed 18F-FDG PET images of 292 patients with PMBCL (n=104) and DLBCL (n=188) (n=232 for training and validation, and n=60 for external testing). We employed FCM and MS losses for training a 3D U-Net with different levels of supervision: i) fully supervised methods with labeled FCM (LFCM) as well as Unified focal and Dice loss functions, ii) unsupervised methods with Robust FCM (RFCM) and Mumford-Shah (MS) loss functions, and iii) Semi-supervised methods based on FCM (RFCM+LFCM), as well as MS loss in combination with supervised Dice loss (MS+Dice). Unified loss function yielded higher Dice score (mean +/- standard deviation (SD)) (0.73 +/- 0.03; 95% CI, 0.67-0.8) compared to Dice loss (p-value<0.01). Semi-supervised (RFCM+alpha*LFCM) with alpha=0.3 showed the best performance, with a Dice score of 0.69 +/- 0.03 (95% CI, 0.45-0.77) outperforming (MS+alpha*Dice) for any supervision level (any alpha) (p<0.01). The best performer among (MS+alpha*Dice) semi-supervised approaches with alpha=0.2 showed a Dice score of 0.60 +/- 0.08 (95% CI, 0.44-0.76) compared to another supervision level in this semi-supervised approach (p<0.01). Semi-supervised learning via FCM loss (RFCM+alpha*LFCM) showed improved performance compared to supervised approaches. Considering the time-consuming nature of expert manual delineations and intra-observer variabilities, semi-supervised approaches have significant potential for automated segmentation workflows.

研究の動機と目的

• リンパ腫患者の18F-FDG PETスキャンにおける腫瘍の手動セグメンテーションが時間のかかるものでかつ一貫性に欠けるという問題に対処すること。
• 医療画像セグメンテーションにおける半教師付き学習を活用することで、広範な専門家アノテーションデータに依存するのを減らすこと。
• さまざまな教師付きレベルにおける、FCM、MS、統合フォーカル/Dice損失関数の性能を評価・比較すること。
• 限られたラベル付きデータで最高のセグメンテーション精度を達成する最適な半教師付き構成を同定すること。
• 拡散性大細胞B細胞リンパ腫（DLBCL）および原発性前立腺内B細胞リンパ腫（PMBCL）に適用可能な、堅牢な自動セグメンテーションパイプラインの開発すること。

提案手法

• ラベル付きデータと疑似ラベル付きデータの組み合わせを用いてトレーニングされた3次元U-Netアーキテクチャが、半教師付き学習を可能にする。
• ファジィc-メンズ（FCM）およびレジリエントFCM（RFCM）が、画像特徴のクラスタリングをガイドする非教師付き損失関数として用いられた。
• ムーフォード＝シャー（MS）損失関数が、セグメンテーション境界における区分的滑らかさを強制するために適用された。
• フォーカル損失とDice損失を統合した損失関数が、トレーニングの安定性とセグメンテーション性能を向上させた。
• ハイパーパrameter alphaが教師付きと非教師付き損失成分のバランスを制御するように、RFCMと教師付きDice損失（RFCM + alpha*LFCM）およびMSとDice（MS + alpha*Dice）の半教師付きトレーニングが組み合わせられた。
• モデルの性能は、DLBCLおよびPMBCLの292例の患者から得られた60例の外部テストケースを用いて評価され、主な指標としてDiceスコアが用いられた。

実験結果

リサーチクエスチョン

• RQ1 ラベル付きデータが限られている状況で、FCMおよびMS損失を用いた半教師付き学習が、PET画像セグメンテーションの正確性を顕著に向上させることができるか？
• RQ2 レジリエントFCM（RFCM）を教師付き損失関数と統合した場合、完全に教師ありまたは非教師ありのアプローチと比較してどのように異なるか？
• RQ3 最大のセグメンテーション性能を得るために、教師付きと非教師付き損失成分の最適なバランス（ハイパーパrameter alphaを介して）は何か？
• RQ4 統合フォーカル損失とDice損失関数は、半教師付き設定において標準的なDice損失を上回る性能を示すか？
• RQ5 提案手法は、臨床的リンパ腫PETイメージングにおける観察者間ばらつきと手動定義時間の両方を削減できるか？

主な発見

• 統合フォーカル損失とDice損失関数は、標準的なDice損失（p < 0.01）よりも高いDiceスコア（0.73 ± 0.03）を達成し、トレーニングの安定性と性能の向上を示した。
• RFCM + 0.3*LFCMを用いた半教師付きアプローチが、全体として最も優れた性能を示し、Diceスコア0.69 ± 0.03（95%信頼区間：0.45–0.77）を達成し、他のすべての構成よりも顕著に優れていた（p < 0.01）。
• MS + 0.2*Diceを用いた半教師付き手法は、すべてのalpha値においてRFCM+LFCMより劣る性能を示し、Diceスコア0.60 ± 0.08（95%信頼区間：0.44–0.76）を達成した（p < 0.01）。
• RFCMとラベル付きデータを併用した半教師付き学習は、完全に教師ありの手法を上回り、限られたデータ環境下での疑似ラベルの価値を示した。
• 提案手法は、専門家によるアノテーションデータへの依存度を顕著に低減しながらも、高いセグメンテーション正確性を維持しており、臨床応用への強い可能性を示している。
• 結果から、レジリエントな非教師付きクラスタリング（RFCM）と教師付き損失関数を組み合わせることが、腫瘍学的PETイメージングにおける自動腫瘍セグメンテーションの有望な戦略であると示唆された。