[論文レビュー] Unsupervised Domain Adaptation for Anatomical Landmark Detection

Haibo Jin, Haoxuan Che+1 more|arXiv (Cornell University)|Aug 25, 2023

Medical Imaging and AnalysisEngineering被引用数 3

ひとこと要約

本稿では、ドメインシフトを低減するためにランドマークに特化した自己教師付き学習とドメイン adversarial 学習を組み合わせた、解剖学的ランドマーク検出のための新しい教師なしドメイン適応（UDA）フレームワークを提案する。信頼性の高い偽ラベル選択のための動的しきい値と、ドメイン不変特徴を学習する adversarial 学習を用いることで、頭部レントゲンデータにおいて平均径方向誤差（MRE）を 3.32mm から 1.75mm に低下させ、2mm 以内の検出成功確率（SDR）を 50.05% から 69.15% に向上させ、最先端の UDA メソッドを上回る性能を達成した。

ABSTRACT

Recently, anatomical landmark detection has achieved great progresses on single-domain data, which usually assumes training and test sets are from the same domain. However, such an assumption is not always true in practice, which can cause significant performance drop due to domain shift. To tackle this problem, we propose a novel framework for anatomical landmark detection under the setting of unsupervised domain adaptation (UDA), which aims to transfer the knowledge from labeled source domain to unlabeled target domain. The framework leverages self-training and domain adversarial learning to address the domain gap during adaptation. Specifically, a self-training strategy is proposed to select reliable landmark-level pseudo-labels of target domain data with dynamic thresholds, which makes the adaptation more effective. Furthermore, a domain adversarial learning module is designed to handle the unaligned data distributions of two domains by learning domain-invariant features via adversarial training. Our experiments on cephalometric and lung landmark detection show the effectiveness of the method, which reduces the domain gap by a large margin and outperforms other UDA methods consistently. The code is available at https://github.com/jhb86253817/UDA_Med_Landmark.

研究の動機と目的

• ソースドメインとターゲットドメインの間のドメインシフトによって引き起こされる解剖学的ランドマーク検出の性能低下を是正すること。
• ラベルなしターゲットデータが利用可能な医療ランドマーク検出における教師なしドメイン適応（UDA）の実現可能性と有効性を調査すること。
• 信頼度に配慮した偽ラベル化とドメイン不変表現学習を通じて、未ラベルのターゲットドメインデータを効果的に活用し、分布シフトを緩和する統合フレームワークを開発すること。
• 動的偽ラベル選択と adversarial ドメインアライメントを組み合わせることで、既存の UDA メソッドを上回るクロスドメインランドマーク検出性能を達成すること。

提案手法

• 座標とヒートマップの両方を予測できる二重ヘッドのランドマーク検出モデルを設計し、信頼度スコアの推定を可能にすることで、信頼性の高い偽ラベル化を実現する。
• ランドマークレベルでの高信頼度偽ラベル選択を可能にするランドマークに特化した自己教師付き学習（LAST）を導入し、動的しきい値を用いることで、確認バイアスを低減する。
• ソースドメインとターゲットドメイン間の特徴分布を adversarial 学習によりアライニングするドメイン adversarial 学習（DAL）モジュールを採用し、共変量シフトを最小化する。
• Adam 最適化アルゴリズムを用い、720 エポックにわたり学習率を段階的に低下させながら、ベース検出器、LAST による偽ラベル化、DAL 損失を同時に最適化する。
• ランダムスケーリング、トランスレーション、回転、遮蔽、ぼかしを含むデータ拡張を適用し、モデルのロバストネスと一般化性能を向上させる。
• ハイパーパrameter λD = 0.01 を用いて、検出損失、自己教師付き学習損失、ドメイン adversarial 損失の組み合わせにより、エンドツーエンドでモデルを学習する。

実験結果

リサーチクエスチョン

• RQ1 教師なしドメイン適応（UDA）は、ドメインシフトに起因する解剖学的ランドマーク検出の性能低下を効果的に緩和できるか？
• RQ2 動的しきい値を用いたランドマークレベルの偽ラベル化は、画像レベルや固定しきい値のアプローチと比較して、どの程度適応性能を向上させるか？
• RQ3 ドメイン adversarial 学習は、医療画像におけるソースドメインとターゲットドメインのデータ分布の乖離をどの程度低減できるか？
• RQ4 提案フレームワークは、解剖学的ランドマーク検出ベンチマークにおいて、常に既存の最先端 UDA メソッドを上回る性能を示すか？

主な発見

• 提案手法により、頭部レントゲンデータにおける平均径方向誤差（MRE）は、ソースオンリーモデルの 3.32mm から 1.75mm に低下し、ドメインギャップが 47% 減少した。
• 2mm 以内の検出成功確率（SDR）は、ソースオンリーモデルの 50.05% から、提案 UDA フレームワークを用いることで 69.15% に向上した。
• アブレーションスタディの結果、LAST および DAL モジュールの両方が顕著な貢献を示し、併用した場合に最も優れた性能（MRE: 1.75mm、2mm SDR: 69.15%）を達成した。
• FDA、UMT、SAC、AT といった最先端の UDA ベースラインと比較して、すべての評価指標で提案手法が優れた性能を示した。
• 定性的な結果から、特に困難なランドマーク（図 4 の黄色い長方形で示された箇所）において、ベースラインモデルよりも正確な予測を実現していることが確認された。
• 標準的なヒートマップ回帰用の検出ヘッドに置き換えると性能が低下し、フレームワークにおける信頼度に配慮した出力の重要性が裏付けられた。