[論文レビュー] Suggestive Annotation of Brain Tumour Images with Gradient-guided Sampling

Chengliang Dai, Shuo Wang+5 more|arXiv (Cornell University)|Jun 26, 2020

Brain Tumor Detection and Classification参考文献 21被引用数 5

ひとこと要約

本論文は、変分オートエンコーダー（VAE）によって学習されたデータ多様体に損失勾配を投影することで、人間によるアノテーションに最も情報を与える脳腫瘍MRIスライスを特定する勾配誘導型の提示アノテーションフレームワークを提案する。本手法によって提案された19%の患者ボリューム（または7%の画像スライス）のみを用いても、BraTS 2019データセット全体で学習した場合と同等のDiceスコアを達成でき、アノテーションコストを顕著に削減しながら高い性能を維持した。

ABSTRACT

Machine learning has been widely adopted for medical image analysis in recent years given its promising performance in image segmentation and classification tasks. As a data-driven science, the success of machine learning, in particular supervised learning, largely depends on the availability of manually annotated datasets. For medical imaging applications, such annotated datasets are not easy to acquire. It takes a substantial amount of time and resource to curate an annotated medical image set. In this paper, we propose an efficient annotation framework for brain tumour images that is able to suggest informative sample images for human experts to annotate. Our experiments show that training a segmentation model with only 19% suggestively annotated patient scans from BraTS 2019 dataset can achieve a comparable performance to training a model on the full dataset for whole tumour segmentation task. It demonstrates a promising way to save manual annotation cost and improve data efficiency in medical imaging applications.

研究の動機と目的

• 医療画像セグメンテーションにおける手作業によるアノテーションの高コストと時間的負担を軽減し、専門家によるレビューに適した最も情報量の多いサンプルを同定すること。
• 最小限の専門家アノテーションデータを用いて、深層学習モデルのデータ効率を向上させること。
• モデル損失の勾配情報が、医療画像アノテーションにおける効果的で代表的なサンプル選択を効果的に誘導できるかどうかを検証すること。
• 3次元ボリュメトリックMRIデータにおけるアノテーション効率を最適化するための、患者単位とスライス単位の提案戦略を比較すること。
• トレーニングからスクラッチとトランスファーラーニングの両シナリオにおいて、本手法の性能をランダムサンプリングおよびオラクルベースラインと比較すること。

提案手法

• 未アノテートの脳腫瘍MRIデータに対して変分オートエンコーダー（VAE）を訓練し、潜在空間における低次元のデータ多様体を学習する。
• 2次元U-Netセグメンテーションモデルをアクティブラーニングループで訓練し、初期段階ではランダムに選択されたデータで学習を開始することで損失勾配を生成する。
• モデルの訓練損失の勾配を画像空間に逆伝播させ、得られた勾配統合画像をVAEが学習した潜在空間に投影する。
• 潜在空間において、損失勾配の大きさと方向に基づいてサンプルを選択し、不確実性が高く代表的な領域を優先する。
• 本手法はスライス単位および患者単位の両方のサンプリング戦略をサポートしており、同じボリューム内のスライス間の重複アノテーションを低減する。
• フレームワークは繰り返し適用可能であるが、本研究ではコアなサンプリング戦略の有効性を評価するため、1回の反復のみを評価した。

実験結果

リサーチクエスチョン

• RQ1 VAEが学習したデータ多様体に損失勾配を投影することで、脳腫瘍セグメンテーションにおける最も情報量の多いMRIスライスを効果的に同定できるか？
• RQ2 アノテーションの負荷を減らした場合、勾配誘導型サンプリングはランダムサンプリングに比べてモデル性能で優れているか？
• RQ3 3次元MRIボリュームにおいて、スライス単位の提案が患者単位の提案を上回るアノテーション効率を達成できるか？
• RQ4 わずかな数の提示的アノテート済みサンプルで学習したモデルが、完全なデータセットで学習したモデルの性能にどの程度近づけるか？
• RQ5 事前学習後に新しいデータセットで微調整するトランスファーラーニング設定下でも、本手法はどの程度の性能を示すか？

主な発見

• 本手法によって選択されたBraTS 2019データセット全体の19%（19%）のみを用いても、セグメンテーションモデルはDiceスコア0.853を達成し、完全データセットで学習した場合と同等の性能を示した。
• スライス単位の提案を用いた場合、39,000枚のスライスのうち7%（2,500枚）のスライスのみで、50例の完全な患者ボリューム（7,500スライス分）をアノテートした場合と同等の性能が達成された。
• トレーニングからスクラッチとトランスファーラーニングの両シナリオにおいて、本手法はランダムサンプリングを常に上回り、より高いDiceスコアを達成した。
• 本手法は、後から最も困難なサンプルを選び出すオラクルベースラインと同等の性能を示し、サンプルの情報量の高さが裏付けられた。
• スライス単位の提案は患者単位の提案を上回る効率性を示し、アノテーションが必要な画像数を減らしながらも、モデル性能を維持した。
• 勾配誘導型サンプリング手法は、異なるデータ分割とトレーニングパラダイムにおいて一貫した向上を示し、強力な一般化可能性を示した。