[논문 리뷰] A Survey on Domain Generalization for Medical Image Analysis

Ziwei Niu, Shuyi Ouyang외 3명|arXiv (Cornell University)|2024. 02. 07.

AI in cancer detection인용 수 4

한 줄 요약

이 종합적 리뷰는 의료 영상 분석 분야에서 도메인 일반화(DG) 기법에 대해 포괄적으로 검토하며, 다양한 기관, 영상 모odalities, 시퀀스 간의 도메인 시프트 문제를 다룹니다. 기존 접근법을 데이터, 특징, 모델 수준으로 분류하고, 핵심 알고리즘과 벤치마크 데이터셋을 상세히 기술하며 향후 연구 방향을 제시합니다. 공개된 GitHub 리포지터리에서 자료를 제공합니다.

ABSTRACT

Medical Image Analysis (MedIA) has emerged as a crucial tool in computer-aided diagnosis systems, particularly with the advancement of deep learning (DL) in recent years. However, well-trained deep models often experience significant performance degradation when deployed in different medical sites, modalities, and sequences, known as a domain shift issue. In light of this, Domain Generalization (DG) for MedIA aims to address the domain shift challenge by generalizing effectively and performing robustly across unknown data distributions. This paper presents the a comprehensive review of substantial developments in this area. First, we provide a formal definition of domain shift and domain generalization in medical field, and discuss several related settings. Subsequently, we summarize the recent methods from three viewpoints: data manipulation level, feature representation level, and model training level, and present some algorithms in detail for each viewpoints. Furthermore, we introduce the commonly used datasets. Finally, we summarize existing literature and present some potential research topics for the future. For this survey, we also created a GitHub project by collecting the supporting resources, at the link: https://github.com/Ziwei-Niu/DG_for_MedIA

연구 동기 및 목표

• 의료 영상 분석에서 도메인 시프트 문제에 대응하기 위해, 다양한 임상 기관, 영상 모odalities, 스캔 시퀀스 간에 적용될 경우 딥러닝 모델의 성능 저하를 해결하는 것.
• 최근 의료 영상 분야에서의 도메인 일반화 기법을 데이터, 특징, 모델 수준의 세 가지 수준으로 체계적으로 분류하고 분석하는 것.
• 각 수준에서 대표적인 알고리즘에 대한 상세한 개요를 제공하여 연구자들이 강력한 DG 기법을 선별하고 개발하는 데 도움을 주는 것.
• 도메인 일반화 연구를 위한 일반적으로 사용되는 의료 영상 데이터셋을 수집하고 요약하는 것.
• 도메인 일반화 향상을 위한 주요 열린 과제를 규명하고, 흐드러진 향후 연구 방향을 제안하는 것.

제안 방법

• 의료 영상 분석 맥락에서 도메인 시프트와 도메인 일반화를 정의하고, 도메인 불변 학습과 도메인 특화 학습 설정 간의 차이를 명확히 하는 것.
• DG 기법을 세 가지 수준으로 분류: 데이터 수준(예: 데이터 증강, 도메인 적응), 특징 수준(예: 도메인 불변 표현 학습), 모델 수준(예: 메타학습, 자기지도 학습).
• 각 범주에 속하는 핵심 알고리즘에 대한 상세한 기술, 예를 들어 도메인 적대적 훈련, 분포 정렬, 메타 최적화 전략 등.
• 의료 영상에서 DG를 평가하기 위해 사용되는 벤치마크 데이터셋을 검토하며, 각 데이터셋의 도메인, 모dalities, 임상적 응용을 기술하는 것.
• 성능 및 일반화 능력 측면에서 각 방법 범주 간의 강점과 한계를 비교 분석을 통해 분석하는 것.
• 재현성과 향후 연구를 지원하기 위해, 정제된 자료, 코드 링크, 데이터셋을 포함한 공개 GitHub 리포지터리를 운영하는 것.

실험 결과

연구 질문

• RQ1 의료 영상 분석에서 다양한 임상 환경과 영상 프로토콜 간에 도메인 시프트 문제가 어떻게 나타나는가?
• RQ2 의료 영상에서 도메인 일반화를 위한 주요 방법론적 범주들은 무엇이며, 설계 및 성능 측면에서 어떻게 다를까?
• RQ3 의료 영상에서 알려지지 않은 도메인으로의 모델 일반화를 향상시키는 데 가장 유망한 알고리즘과 기법은 무엇인가?
• RQ4 의료 영상 분석에서 도메인 일반화를 평가하기 위해 일반적으로 사용되는 표준 데이터셋은 무엇이며, 이들이 실제 임상 환경의 다양성을 얼마나 잘 반영하고 있는가?
• RQ5 의료 영상 분석 분야에서 도메인 일반화의 가장 시급한 열린 과제와 향후 연구 방향은 무엇인가?

주요 결과

• 의료 영상 분석에서 도메인 일반화는 기관 간 데이터 분포의 상당한 차이가 존재하는 실제 임상 환경에 딥러닝 모델을 도입하기 위해 필수적이다.
• 데이터 수준 기법들, 예를 들어 도메인 증강과 스타일 전이 기법은 훈련 중 도메인 변동을 시뮬레이션함으로써 강건성을 향상시키는 데 효과적이다.
• 특징 수준 접근법들, 예를 들어 도메인 불변 표현 학습과 분포 정렬 기법들은 학습된 특징에서 도메인 특화된 편향을 최소화함으로써 뛰어난 성능을 달성한다.
• 모델 수준 전략들, 예를 들어 메타학습과 자기지도 학습 전훈 기반 기법들은 알려지지 않은 도메인으로의 제로샷 일반화 능력을 향상시킨다.
• 본 리뷰는 연구 간 표준화된 벤치마크와 일관된 평가 프로토콜의 부족을 지적하며, 통합된 평가 프레임워크의 필요성을 강조한다.
• 저자들이 운영하는 공개 GitHub 리포지터리는 주요 자료, 데이터셋, 코드, 모델 등을 종합적으로 수집하여 분야의 연구 가속화와 재현 가능성을 지원한다.