[論文レビュー] Uncertainty-aware Self-ensembling Model for Semi-supervised 3D Left Atrium Segmentation

Lequan Yu, Shujun Wang+3 more|arXiv (Cornell University)|Jul 16, 2019

Advanced Neural Network Applications参考文献 17被引用数 77

ひとこと要約

本論文は、MR画像からの3D左心房分割のための不確実性認識を取り入れた平均教師フレームワーク（UA-MT）を提案し、不確実性に基づく一貫性学習を通じてラベルなしデータを活用し、最先端手法を上回る性能を達成する。

ABSTRACT

Training deep convolutional neural networks usually requires a large amount of labeled data. However, it is expensive and time-consuming to annotate data for medical image segmentation tasks. In this paper, we present a novel uncertainty-aware semi-supervised framework for left atrium segmentation from 3D MR images. Our framework can effectively leverage the unlabeled data by encouraging consistent predictions of the same input under different perturbations. Concretely, the framework consists of a student model and a teacher model, and the student model learns from the teacher model by minimizing a segmentation loss and a consistency loss with respect to the targets of the teacher model. We design a novel uncertainty-aware scheme to enable the student model to gradually learn from the meaningful and reliable targets by exploiting the uncertainty information. Experiments show that our method achieves high performance gains by incorporating the unlabeled data. Our method outperforms the state-of-the-art semi-supervised methods, demonstrating the potential of our framework for the challenging semi-supervised problems.

研究の動機と目的

• 豊富なラベルなしMR画像を活用することにより、3D左心房分割におけるラベル付きデータの必要性を削減する。
• 自己アンサンブル時のターゲット信頼性を向上させるため、不確実性を考慮した半教師ありフレームワークを開発する。
• MICCAI 2018 Atrial Segmentation Challengeデータセットで、既存の半教師あり手法より優れた性能を示す。

提案手法

• 教師が生徒にターゲットを提供する教師-生徒自己アンサンブルフレームワークを構築する。
• モンテカルロドロップアウトと複数の前方伝播を用いて、教師出力のボクセルレベル予測不確実性を推定する。
• 低不確実性（信頼できる）ターゲットに対してのみ合意を強制する、不確実性ガイド付き整合性損失を適用する。
• 指標を用いた指数移動平均（EMA）で、生徒モデルから教師モデルを更新する（mean-teacher）。
• 監視付き損失と整合性損失の学習を安定化させるため、時間依存のランプアップを適用する。

実験結果

リサーチクエスチョン

• RQ1 半教師付きセグメンテーション設定において、不確実性推定は教師が提供するターゲットの信頼性を高められるか。
• RQ2 不確実性認識型整合性損失を用いた未ラベルデータの取り込みは、完全教師ありのベースラインおよび他の半教師あり手法と比較してLA分割性能を改善するか。
• RQ3 限られたラベル付きデータと異なる量の未ラベルデータを使用した場合のUA-MTの性能はどうなるか。

主な発見

• UA-MTは、ラベル付き16件・未ラベル64件のスキャンでテストセットにおいてDice 88.88%およびJaccard 80.21%を達成。
• 同じ設定でASDを2.26ボクセル、95HDを7.32ボクセルに低減。
• 自己学習、DAN、ASDNet、TCSEなど他の半教師あり手法と比較して、Dice/Jaccardの改善が優れており、ASD/95HDは競争力があり、完全監視学習の性能に近づいている。
• アブレーションにより、不確実性ガイド付きバリアントが標準のMTおよびMT-Dice手法を上回ることが示された。
• 不確実性の可視化は境界近くで高い不確実性を示し、セグメンテーションの難易度と一致する。