[論文レビュー] Towards Continuous Domain adaptation for Healthcare

Rahul Venkataramani, Hariharan Ravishankar+1 more|arXiv (Cornell University)|Dec 4, 2018

Machine Learning in Healthcare参考文献 9被引用数 5

ひとこと要約

本稿では、医療画像セグメンテーションにおける連続的ドメイン適応のためのメモリ拡張型ニューラルネットワークフレームワークであるContextNetsを提案する。この手法は、少数のラベル付きターゲット画像のみを用いて、サイト特化型の適応を可能にする。類似症例のサポートセットからのコンテキスト埋め込みに条件付けた推論により、再訓練やソースドメインデータへのアクセスなしに、多様なコhortにおけるX線肺セグメンテーションで最先端の性能を達成する。

ABSTRACT

Deep learning algorithms have demonstrated tremendous success on challenging medical imaging problems. However, post-deployment, these algorithms are susceptible to data distribution variations owing to \emph{limited data issues} and \emph{diversity} in medical images. In this paper, we propose \emph{ContextNets}, a generic memory-augmented neural network framework for semantic segmentation to achieve continuous domain adaptation without the necessity of retraining. Unlike existing methods which require access to entire source and target domain images, our algorithm can adapt to a target domain with a few similar images. We condition the inference on any new input with features computed on its support set of images (and masks, if available) through contextual embeddings to achieve site-specific adaptation. We demonstrate state-of-the-art domain adaptation performance on the X-ray lung segmentation problem from three independent cohorts that differ in disease type, gender, contrast and intensity variations.

研究の動機と目的

• 画像診断装置、プロトコル、患者の人口統計的特徴の違いに起因するドメインシフトの課題に対処すること。
• 再訓練、ソースドメインデータ、または大規模なターゲットデータセットを必要とする既存のドメイン適応手法の限界を克服すること。
• 最小限のアノテーション作業で、実臨床環境における生涯的・段階的適応を可能にすること。
• ソースドメインデータの保存やアクセスを回避するプライバシー保護型ソリューションを提供すること。
• 意味セグメンテーションにおける教師ありおよび教師なしドメイン適応の統一フレームワークの開発

提案手法

• 各ターゲットドメイン $d$ ごとにメモリモジュール $\mathcal{M}^d$ を導入し、事前に観測された症例の画像特徴およびコンテキスト特徴を格納する。
• 入力画像からマッピング関数を用いてクエリ特徴 $q$ とコンテキスト特徴 $c_i$ を計算し、意味的に類似した症例の検索を可能にする。
• クエリ特徴を用いて、$T$ 個の近傍を検索し、動的適応用のサポートセット $C(I_k)$ を形成する。
• サポートセットのコンテキスト特徴からコンテキストベクトル $C_v(I_k)$ を生成し、推論を条件付ける。
• コンテキストベクトル $C_v(I_k)$ をエンコーダーの特徴マップに要素ごとの乗算で埋め込み、コンテキスト埋め込み $C_e[I_k] = E[I_k] \circledast C_v[I_k]$ を生成する。
• コンテキスト埋め込みに標準的なデコーダーを適用して最終的なセグメンテーション予測を生成し、BCE損失を最適化する。

実験結果

リサーチクエスチョン

• RQ1 メモリ拡張型ニューラルネットワークは、少数のラベル付きターゲット画像のみを用いて、医療画像セグメンテーションにおける効果的なドメイン適応を達成できるか？
• RQ2 類似症例からのコンテキスト埋め込みは、標準的なファインチューニングやトランスファーラーニングと比較して、ドメインシフト下でのセグメンテーション性能をどのように向上させるか？
• RQ3 提案手法は、ソースドメインデータへのアクセスを必要としないにもかかわらず、最先端の教師なしドメイン適応手法を上回る性能を発揮できるか？
• RQ4 疾患タイプ、コントラスト、強度のばらつきが異なる多様な臨床コhortに、この手法はどの程度一般化可能か？
• RQ5 メモリサイズが少数の例に制限される状況でも、この手法の耐性はどの程度高いか？

主な発見

• ContextNet$_2$ はJSRTデータセットでNoDAベースラインより7%の向上を示し、強力なドメイン適応性能を実証した。
• SeUDA手法（ソースドメインデータへのアクセスと各サイトごとのGAN訓練を要する）でさえ、ContextNet$_2$ に劣る結果となった。
• チヌコニオーシスの挑戦的データセットでは、ContextNet$_2$ は再訓練を一切行わずに、実現不可能とされるTransferLearntの上限に近いDiceスコアを達成した。
• メモリエントリを50個に制限しても、JSRTデータセットではDiceスコアが約0.96を維持し、メモリサイズ制限に対する耐性を示した。
• 可視化結果から、特に乳腺組織や進行性疾患による構造的変化がある症例において、ContextNet$_2$ はベースラインのU-Netよりも滑らかで正確なマスクを生成した。