[論文レビュー] Semi-supervised Medical Image Segmentation via Geometry-aware Consistency Training

Zihang Liu, Chunhui Zhao|arXiv (Cornell University)|Feb 12, 2022

Medical Imaging and Analysis被引用数 5

ひとこと要約

この論文は、幾何的制約とデュアルビュー特徴抽出を活用することで境界領域におけるモデルのロバスト性を向上させる、半教師あり医療画像セグメンテーションの幾何的注意型一致訓練フレームワークを提案する。ハードにセグメンテーションされる境界領域を指数的重み付け戦略で強調し、不確実性を低減するデュアルビューネットワークを用いることで、左房ベンチマークにおいてラベル付きデータがたった10%の状況でも、完全教師ありモデルよりもDiceスコアが8.7%高い結果を達成した。

ABSTRACT

The performance of supervised deep learning methods for medical image segmentation is often limited by the scarcity of labeled data. As a promising research direction, semi-supervised learning addresses this dilemma by leveraging unlabeled data information to assist the learning process. In this paper, a novel geometry-aware semi-supervised learning framework is proposed for medical image segmentation, which is a consistency-based method. Considering that the hard-to-segment regions are mainly located around the object boundary, we introduce an auxiliary prediction task to learn the global geometric information. Based on the geometric constraint, the ambiguous boundary regions are emphasized through an exponentially weighted strategy for the model training to better exploit both labeled and unlabeled data. In addition, a dual-view network is designed to perform segmentation from different perspectives and reduce the prediction uncertainty. The proposed method is evaluated on the public left atrium benchmark dataset and improves fully supervised method by 8.7% in Dice with 10% labeled images, while 4.3% with 20% labeled images. Meanwhile, our framework outperforms six state-of-the-art semi-supervised segmentation methods.

研究の動機と目的

• 深層学習ベースのセグメンテーションにおいて、アノテート済み医療画像が限られているという課題に対処すること。
• 半教師あり設定においてラベルなしデータを効果的に活用することで、モデルの一般化性能を向上させること。
• 幾何的事前知識を用いて、曖昧な境界領域におけるセグメンテーション精度を向上させること。
• デュアルビューネットワークアーキテクチャにより予測の不確実性を低減すること。
• 医療画像セグメンテーションベンチマークにおいて、既存の最先端の半教師あり手法を上回ること。

提案手法

• ラベル付きおよびラベルなしデータの両方から、グローバルな形状と境界構造を学習する補助的な幾何的予測ヘッドを導入する。
• トレーニング中に境界領域に重点を置くために指数的重み付け損失戦略を適用し、識別が難しい構造のセグメンテーションを改善する。
• 二つの異なるデータオーグメンテーションから予測を生成するデュアルビューネットワークを採用し、一貫性を強制し、不確実性を低減する。
• 同じ入力が異なるオーグメンテーションを経て得られる予測同士の一致を促進する一貫性に基づくトレーニング目的関数を実装する。
• 予測されたセグメンテーションマップから導出される幾何的制約を用いて、空間的構造の学習をガイドし、境界の局所化を改善する。
• ラベル付きデータに対する教師あり損失と、ラベルなしデータに対する一貫性損失を組み合わせ、両目的を同時に最適化する。

実験結果

リサーチクエスチョン

• RQ1 幾何的事前知識は、アノテーションが最も曖昧な境界領域におけるセグメンテーション性能を向上させることができるか？
• RQ2 幾何的注意型の監視を伴う一貫性訓練は、ラベル付きデータが限られた状況でもモデルの一般化性能を向上させるか？
• RQ3 デュアルビューネットワークは、半教師あり医療画像セグメンテーションにおいて予測の不確実性をどの程度低減できるか？
• RQ4 幾何的構造を組み込むことで、低データ環境下での標準的一貫性訓練よりも優れたパフォーマンスが得られるか？
• RQ5 提案手法は、医療画像認識ベンチマークにおいて、最先端の半教師ありセグメンテーションアプローチと比較してどのように差をつけるか？

主な発見

• 左房データセットにおいて、トレーニングデータの10%しかラベルが付与されていない状況でも、完全教師ありモデルよりもDiceスコアが8.7%高い結果を達成した。
• ラベル付きデータが20%の状況でも、完全教師ありベースラインを4.3%上回るDiceスコアを達成した。
• 提案されたフレームワークは、ベンチマークデータセット上で6つの最先端の半教師ありセグメンテーション手法を上回った。
• 幾何的注意型一貫性訓練は、境界領域の不確実性を効果的に低減し、より正確なセグメンテーションを実現した。
• デュアルビューネットワークの設計は、異なるオーグメンテーションに対して一貫性と予測のロバスト性を向上させた。
• 境界強調のための指数的重み付け戦略は、セグメンテーションが難しい構造において顕著な性能向上をもたらした。