[論文レビュー] Weakly Supervised Medical Image Segmentation

Pedro H. T. Gama, Hugo Oliveira+1 more|arXiv (Cornell University)|Aug 12, 2021

Radiomics and Machine Learning in Medical Imaging被引用数 4

ひとこと要約

本稿では、モデルに依存しないメタラーニング（MAML）を用いたアプローチにより、スパースラベルを用いた少数ショット医療画像セグメンテーション手法を提案する。これにより、2%未満のラベル付き画素で正確な密度セグメンテーション予測が可能となる。特に、ソースドメインとターゲットドメインの差が顕著な状況下でも、完全に教師ありのモデルと同等のJaccardスコアを達成する。

ABSTRACT

In this paper, we propose a novel approach for few-shot semantic segmentation with sparse labeled images. We investigate the effectiveness of our method, which is based on the Model-Agnostic Meta-Learning (MAML) algorithm, in the medical scenario, where the use of sparse labeling and few-shot can alleviate the cost of producing new annotated datasets. Our method uses sparse labels in the meta-training and dense labels in the meta-test, thus making the model learn to predict dense labels from sparse ones. We conducted experiments with four Chest X-Ray datasets to evaluate two types of annotations (grid and points). The results show that our method is the most suitable when the target domain highly differs from source domains, achieving Jaccard scores comparable to dense labels, using less than 2% of the pixels of an image with labels in few-shot scenarios.

研究の動機と目的

• 少数ショット学習におけるスパースラベリングを活用することで、医療画像セグメンテーションにおけるアノテーション負荷を低減すること。
• 特にリソースが限られた医療画像認識の状況下で、最小限のラベルデータから正確な密度セグメンテーション予測を可能にすること。
• ソースとターゲットの医療画像データセット間のドメインシフトに適応するためのMAMLベースのメタラーニングの有効性を調査すること。
• グリッドとポイントアノテーションの2種類のスパースアノテーションタイプを用いて、性能を評価すること。
• 大幅に少ないラベル画素数を用いながら、完全に教師ありのモデルと同等のセグメンテーション性能を達成すること。

提案手法

• 本手法は、スパースな監視情報のもとで、少数ショットエピソードにわたる一般化を可能にするモデルに依存しないメタラーニング（MAML）を採用する。
• メタトレーニング段階では、モデルの密度セグメンテーションマスク予測能力を最適化するために、グリッドまたはポイントアノテーションのスパースラベルのみが使用される。
• メタテスト段階では、スパースラベルを備えたサポートセットでモデルをファインチューニングし、密度予測を要するクエリセットでテストされる。
• モデルは、初期化パラメータのメタ最適化を通じて、限られたスパースアノテーションから完全なセグメンテーションマップを推論する能力を学習する。
• ドメイン特性が異なる4つのチストレントゲン画像データセットを用いて、ドメインシフト下でのロバストネスを評価する。
• セグメンテーション性能の主な評価指標として、Jaccard類似度が使用される。

実験結果

リサーチクエスチョン

• RQ1 スパースラベルでトレーニングされた少数ショットセグメンテーションモデルは、医療画像分野において完全に教師ありのモデルと同等の性能を達成できるか？
• RQ2 ターゲットドメインがソースドメインと著しく異なる状況下で、提案手法のMAMLベースのメソッドはどの程度の性能を示すか？
• RQ3 アノテーションタイプ（グリッド対ポイント）が、最小限のラベリング下でのセグメンテーション精度に与える影響は何か？
• RQ4 本モデルは、わずか数例のラベル付き例しか与えられていない、新たな未観測の医療画像ドメインにどの程度一般化できるか？
• RQ5 特にデータが少ない状況下で、ラベル付き画素が2%未満の場合、モデルの性能はどの程度か？

主な発見

• 提案手法は、2%未満の画素をラベルとして使用しても、完全に教師ありのモデルと同等のJaccardスコアを達成する。
• ソースドメインと著しく異なるターゲットドメインに対しても、本手法は優れた一般化性能を示し、このような状況下でベースラインの少数ショット手法を上回る。
• スパースグリッドアノテーションはスパースポイントアノテーションよりも優れた性能を示しており、ラベルの空間的分布がモデル学習に影響を与えることが示唆される。
• 本モデルは、4つの多様なチストレントゲン画像データセットにおいても高いセグメンテーション精度を維持し、ドメインシフトに対するロバストネスを確認した。
• アノテーションコストを顕著に低減しながらも、高い性能を維持するため、実世界の医療画像応用に適している。
• スパースラベルを用いたメタラーニングにより、効果的な少数ショット適応が可能であることが示され、リソースが限られた医療画像セグメンテーションの実現可能性が裏付けられた。