[論文レビュー] Transformation Consistent Self-ensembling Model for Semi-supervised Medical Image Segmentation

Xiaomeng Li, Lequan Yu+4 more|arXiv (Cornell University)|Feb 28, 2019

Retinal Imaging and Analysis参考文献 66被引用数 33

ひとこと要約

本論文は、変換整合性予測を教師-生徒 EMA フレームワークを介して強制する半教師あり医療画像分割法である TCSM_v2 を提案し、ISIC 2017、REFUGE、 LiTS データセットで評価した。

ABSTRACT

Deep convolutional neural networks have achieved remarkable progress on a variety of medical image computing tasks. A common problem when applying supervised deep learning methods to medical images is the lack of labeled data, which is very expensive and time-consuming to be collected. In this paper, we present a novel semi-supervised method for medical image segmentation, where the network is optimized by the weighted combination of a common supervised loss for labeled inputs only and a regularization loss for both labeled and unlabeled data. To utilize the unlabeled data, our method encourages the consistent predictions of the network-in-training for the same input under different regularizations. Aiming for the semi-supervised segmentation problem, we enhance the effect of regularization for pixel-level predictions by introducing a transformation, including rotation and flipping, consistent scheme in our self-ensembling model. With the aim of semi-supervised segmentation tasks, we introduce a transformation consistent strategy in our self-ensembling model to enhance the regularization effect for pixel-level predictions. We have extensively validated the proposed semi-supervised method on three typical yet challenging medical image segmentation tasks: (i) skin lesion segmentation from dermoscopy images on International Skin Imaging Collaboration (ISIC) 2017 dataset, (ii) optic disc segmentation from fundus images on Retinal Fundus Glaucoma Challenge (REFUGE) dataset, and (iii) liver segmentation from volumetric CT scans on Liver Tumor Segmentation Challenge (LiTS) dataset. Compared to the state-of-the-arts, our proposed method shows superior segmentation performance on challenging 2D/3D medical images, demonstrating the effectiveness of our semi-supervised method for medical image segmentation.

研究の動機と目的

• 医療画像分野におけるラベル付きデータが限定的な状況でのセグメンテーション学習を動機づける。
• ラベル付きデータに対する教師付き損失と、ラベル付き・ラベルなしデータの両方に対する正則化損失を組み合わせた半教師ありフレームワークを提案する。
• ピクセルレベルの予測に対する変換整合性自己アンサンブル戦略を導入する。
• 拡張としてスケーリングと教師モデルを組み合わせ、ターゲットの精度と頑健性を向上させる。

提案手法

• ラベル付きデータの教師付き損失と、ラベル付き・ラベルなしデータの両方に対する正則化損失の加重和を用いる。
• 入力空間および出力空間の変換（回転、反転、スケーリング）に対する予測の一致を強制する変換整合性正則化を導入する。
• 生徒モデルの指数移動平均 (EMA) となる教師モデルを用いて、整合性損失のより良いターゲットを提供する。
• 正則化を豊かにするため、ガウスノイズやドロップアウトといった追加の摂動を組み込む。
• 2Dおよび3D分割ネットワークの両方に適用可能なアプローチとして適用する（2D: DenseUNet、皮膚病変/反復データセット向け、3D: LiTS）。
• 正則化ウェイトの時間依存的な ramp-up を用いて総損失 L + lambda(T) R を最適化する。

実験結果

リサーチクエスチョン

• RQ1 変換整合性自己アンサンブルは、ラベル数が限定された状況で半教師あり分割性能を向上させるか。
• RQ2 回転、反転、スケーリングの変換が、生徒と教師の予測間のピクセルレベルの整合性にどのように影響するか。
• RQ3 スケーリング変換と EMA 教師を導入することで、2Dおよび3Dの医療画像タスク全体で正則化と精度が改善されるか。
• RQ4 TCSM_v2 は、表皮病変の皮膚鏡、視神経円盤の眼底画像、体積的 CT（肝臓）などの多様なモダリティでどのように機能するか。

主な発見

Method	JA	DI	AC	SE	SP
教師あり	71.17	79.91	91.95	75.90	97.04
教師あり+正則化	72.28	81.10	93.52	81.17	97.02
本手法	75.24	83.44	94.46	83.07	97.07

• TCSM_v2 は、監視付きベースラインや他の半教師あり法よりも、難易度の高い2Dおよび3Dの医療分割タスクで優れた性能を達成する。
• 変換整合性正則化（回転、スケーリング、ノイズ/ドロップアウトを含む）のアブレーション研究は、性能向上に大きく寄与する。
• 2D皮膚鏡実験では、ベースラインおよびアブレーションと比較して複数の指標（JA、DI、AC、SE、SP）が改善される。
• 本手法はISIC 2017の皮膚病変分割、REFUGEの視神経円盤分割、LiTSの肝分割データセットで効果を示す。
• 生徒のEMAである教師モデルを用いると、整合性損失のターゲットが改善され、正則化が強化される。