[論文レビュー] The Federated Tumor Segmentation (FeTS) Challenge

Sarthak Pati, Ujjwal Baid+30 more|arXiv (Cornell University)|May 12, 2021

Radiomics and Machine Learning in Medical Imaging参考文献 45被引用数 42

ひとこと要約

FeTS 2021 の連邦学習（フェデレーテッドラーニング）による脳腫瘍セグメンテーションの課題を説明。患者データを共有せず、複数機関のデータに跨る実世界データでの連携評価と、連邦重みの集約の二つのタスクがある。

ABSTRACT

This manuscript describes the first challenge on Federated Learning, namely the Federated Tumor Segmentation (FeTS) challenge 2021. International challenges have become the standard for validation of biomedical image analysis methods. However, the actual performance of participating (even the winning) algorithms on "real-world" clinical data often remains unclear, as the data included in challenges are usually acquired in very controlled settings at few institutions. The seemingly obvious solution of just collecting increasingly more data from more institutions in such challenges does not scale well due to privacy and ownership hurdles. Towards alleviating these concerns, we are proposing the FeTS challenge 2021 to cater towards both the development and the evaluation of models for the segmentation of intrinsically heterogeneous (in appearance, shape, and histology) brain tumors, namely gliomas. Specifically, the FeTS 2021 challenge uses clinically acquired, multi-institutional magnetic resonance imaging (MRI) scans from the BraTS 2020 challenge, as well as from various remote independent institutions included in the collaborative network of a real-world federation (https://www.fets.ai/). The goals of the FeTS challenge are directly represented by the two included tasks: 1) the identification of the optimal weight aggregation approach towards the training of a consensus model that has gained knowledge via federated learning from multiple geographically distinct institutions, while their data are always retained within each institution, and 2) the federated evaluation of the generalizability of brain tumor segmentation models "in the wild", i.e. on data from institutional distributions that were not part of the training datasets.

研究の動機と目的

• 地理的に異なる複数の機関に跨るフェデレーテッドラーニングを用いて、データプライバシーを保ちながら頑健な脳腫瘍セグメンテーションを推進・実現する。
• データ統合なしでコンセンサスモデルを構築するための効果的なフェデレーテッドウェイト集約戦略を特定する。
• 機関間のフェデレーテッド評価を通じて、現実世界の分布シフト下でのモデルの一般化性能を評価する。
• 再現性のある FL ベースのセグメンテーション研究を支援する標準化されたデータセット、前処理、およびアノテーションプロトコルを提供する。

提案手法

• BraTS 2020 および FeTS フェデレーションからの複数機関 mpMRI データと、腫瘍サブ領域の真値ラベルを使用する。
• segmentation アーキテクチャより集約手法評価に焦点を当てるため、残差結合を持つ固定の U-Net アーキテクチャを適用する。
• 協力者が局所的に学習し更新を中央のアグリゲータへ送信してコンセンサスモデルを作成する、フェデレーテッドラウンドとしてトレーニングを組織する。
• 集約戦略と通信効率を評価し、ネットワーク障害（ストラグラー）のオプション対応も含む。
• 各機関に保持されたフェデレーテッドテストデータで評価し、様々なドメインに跨る実世界一般化を評価する。
• Dice相互情報量係数と頑健な95パーセンタイルのHausdorff距離でセグメンテーション品質を測定し、ラウンドベースのコストとして通信予算を監視する。

実験結果

リサーチクエスチョン

• RQ1 複数機関で局所的に訓練されたモデルから知識を集約して、頑健なコンセンサスセグメンテーションモデルを形成する最良のアプローチは何か。
• RQ2 訓練データセットに含まれない機関のデータに対して、フェデレーテッドセグメンテーションモデルはどれだけ一般化できるか（野外でのドメイン一般化）。
• RQ3 この設定での通信効率と障害対応がフェデレーテッドラーニングの性能にどう影響するか。

主な発見

• 本論文は初の Federated Learning による脳腫瘍セグメンテーション課題を提示し、FLウェイト集約とフェデレーテッド評価の二つの具体的タスクを示している。
• 評価は主なセグメンテーション指標としてDice相似係数と95パーセンタイルHausdorff距離に依存する。
• 残差結合を備えた固定の U-Net を使用して、フェデレーション手法が性能に与える影響を分離する。
• 前処理は BraTS のパイプラインに従い、アトラス登録と脳抽出を含み、CaPTk と FeTS の公開ツールを使用する。
• 再現性のためのコードとパイプラインは CaPTk および FeTS リポジトリを通じて公開される。
• 課題の枠組みは、データがローカルサイトにとどまるまま、プライバシーを保護した分散評価を強調している。