[論文レビュー] Semi-supervised Left Atrium Segmentation with Mutual Consistency Training

Yicheng Wu, Minfeng Xu+3 more|arXiv (Cornell University)|Mar 4, 2021

Cardiac Valve Diseases and TreatmentsMedicine参考文献 18被引用数 20

ひとこと要約

本稿では、相互一貫性学習を用いてラベルなしの難易度の高い領域を活用することで、モデルの汎化性能を向上させる半教師付き3次元左房画像分離手法MC-Netを提案する。2つのわずかに異なるデコーダーとサイクル化された疑似ラベル方式を用いて低エントロピーで一貫性のある予測を強制することで、MC-NetはLAデータベースにおいて20%のラベル付きデータで6つのSOTA手法を上回る最先端の性能を達成した。

ABSTRACT

Semi-supervised learning has attracted great attention in the field of machine learning, especially for medical image segmentation tasks, since it alleviates the heavy burden of collecting abundant densely annotated data for training. However, most of existing methods underestimate the importance of challenging regions (e.g. small branches or blurred edges) during training. We believe that these unlabeled regions may contain more crucial information to minimize the uncertainty prediction for the model and should be emphasized in the training process. Therefore, in this paper, we propose a novel Mutual Consistency Network (MC-Net) for semi-supervised left atrium segmentation from 3D MR images. Particularly, our MC-Net consists of one encoder and two slightly different decoders, and the prediction discrepancies of two decoders are transformed as an unsupervised loss by our designed cycled pseudo label scheme to encourage mutual consistency. Such mutual consistency encourages the two decoders to have consistent and low-entropy predictions and enables the model to gradually capture generalized features from these unlabeled challenging regions. We evaluate our MC-Net on the public Left Atrium (LA) database and it obtains impressive performance gains by exploiting the unlabeled data effectively. Our MC-Net outperforms six recent semi-supervised methods for left atrium segmentation, and sets the new state-of-the-art performance on the LA database.

研究の動機と目的

• ラベル付き医療画像データが限られている左房画像分離の課題に対処し、未ラベルデータを効果的に活用すること。
• ラベルのない状況において、小径の枝やぼやけた縁など、困難で曖昧な領域に注目することで、モデルの汎化性能を向上させること。
• エピステミック的不確実性を監視信号として活用することで、困難な領域におけるモデルの不確実性を低減すること。
• 既存手法を上回る性能を発揮する半教師付きフレームワークを、公開のLAデータベース上で開発すること。
• 2つのデコーダー間の相互一貫性が、未ラベルで不確実性の高い領域からの特徴学習をどのように向上させるかを検証すること。

提案手法

• MC-Netは共有エンコーダと2つのわずかに異なるデコーダーを用い、同じ入力に対して多様だが一貫性のある予測を生成する。
• 2つのデコーダー間の予測差異を用いて不確実性を推定し、学習をガイドする。
• サイクル化された疑似ラベル方式により、予測の不一致を不確実な損失に変換し、相互一貫性を促進する。
• 鋭化関数を用いてソフト疑似ラベルを生成し、エントロピー正則化と組み合わせて予測不確実性を最小化する。
• 2つのデコーダー出力の差異を最小化することで一貫性正則化を実装し、低エントロピーで安定した予測を促進する。
• フレームワークは、ラベル付きデータと未ラベル付きデータの両方を用いてエンドツーエンドに訓練され、サイクル化された疑似ラベル機構により予測が動的に改善される。

実験結果

リサーチクエスチョン

• RQ1 2つのデコーダー間の相互一貫性学習が、半教師付き左房画像分離における汎化性能の向上に寄与するか？
• RQ2 これまで軽視されてきた未ラベルの困難な領域（例：小径の枝、ぼやけた縁）が、モデルの不確実性低減に有効に活用できるか？
• RQ3 デコーダー間の一貫性を強制するサイクル化された疑似ラベル方式は、標準的一致性正則化に比べてより優れた分離性能をもたらすか？
• RQ4 MC-NetはLAデータベースで20%のラベル付きデータのみで最先端の性能を達成できるか？
• RQ5 同一のデコーダーと比較して、異なるデコーダーによるモデルの多様性が性能に与える影響は何か？

主な発見

• MC-NetはLAデータベースで20%のラベル付きデータを用いてDiceスコア90.34%を達成し、100%のラベル付きデータを用いた完全教師ありV-Netベースライン（91.14%）を上回った。
• 20%のラベル付きデータを用いた場合、MC-Netは95%ホーファー距離（95HD）が6.00ボクセル、平均表面距離（ASD）が1.77ボクセルを達成し、6つのSOTA手法を顕著に上回った。
• アブレーションスタディにより、2つの異なるデコーダー（V2d-Net）を用いることで、同一のデコーダー（V2-Net）に比べて性能が向上し、10%のラベル付きデータ下でDiceスコアが1.18%向上した。
• サイクル化された疑似ラベル（CPL）部品を追加することで、20%のラベル付きデータ下で95HDが9.36から6.00ボクセル、ASDが2.18から1.77ボクセルに低下し、その有効性が裏付けられた。
• 後処理なしで、特に困難な領域（例：小径の枝）においても、より完全な左房画像分離が得られ、孤立領域が減少した。
• 本手法は他の形状制約付きモデルと互換性があり、他の半教師付き医療画像分離タスクへの応用拡張が可能である。