[논문 리뷰] An Unsupervised Learning Model for Medical Image Segmentation.

Junyu Chen, Eric C. Frey|arXiv (Cornell University)|2020. 01. 28.

Medical Imaging Techniques and Applications인용 수 3

한 줄 요약

이 논문은 활성 윤곽선 모델(ACWE)과 복소 신경망(ConvNet)을 통합하여 의료 영상 분할을 위한 비지도 및 준지도 학습 딥러닝 프레임워크를 제안한다. 이 방법은 광범위한 레이블이 없는 데이터에 의존하지 않고도 자가지도 학습을 통해 고성능의 빠른 골절분할을 가능하게 하며, 특히 데이터가 적은 환경에서도 뛰어난 성능을 보인다.

ABSTRACT

For the majority of the learning-based segmentation methods, a large quantity of high-quality training data is required. In this paper, we present a novel learning-based segmentation model that could be trained semi- or un- supervised. Specifically, in the unsupervised setting, we parameterize the Active contour without edges (ACWE) framework via a convolutional neural network (ConvNet), and optimize the parameters of the ConvNet using a self-supervised method. In another setting (semi-supervised), the auxiliary segmentation ground truth is used during training. We show that the method provides fast and high-quality bone segmentation in the context of single-photon emission computed tomography (SPECT) image.

연구 동기 및 목표

• 딥러닝 기반 분할에 있어 고성능의 레이블이 부족한 의료 영상 데이터 문제를 해결하기 위해.
• 비지도 및 준지도 설정 모두에서 효과적으로 작동하는 분할 모델을 개발하기 위해.
• 단일광자 emission 컴퓨터 톰그래피(SPECT) 영상에서 골절분할을 빠르고 정확하게 수행하기 위해.
• 물리학에 기반한 ACWE 활성 윤곽선 모델을 학습 가능한 ConvNet과 통합하여 일반화 능력을 향상시키기 위해.
• 자기지도 최적화를 활용하여 대규모 진단 레이블 데이터에 대한 의존도를 줄이기 위해.

제안 방법

• ACWE 프레임워크는 영상에 특화된 분할 파라미터를 학습하기 위해 복소 신경망(ConvNet)을 사용하여 파arameter화된다.
• 비지도 설정에서는 데이터 증강에 대해 일관된 분할을 유도하는 자기지도 목적함수를 통해 ConvNet을 학습한다.
• 준지도 설정에서는 학습 중 보조 진단 레이블 분할 마스크를 사용하여 수렴성과 정확도를 향상시킨다.
• 학습된 ConvNet 파라미터를 통해 역전파된 기울기를 사용하여 ACWE의 에너지 기능을 최적화한다.
• 네트워크가 물리적으로 타당한 분할 결과로 향하도록 ACWE의 기하학적 및 변분적 성질을 활용한다.
• 모델은 엔드 투 엔드로 학습되어 영상 특징과 분할 파라미터를 함께 학습할 수 있다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 대규모 레이블이 부족한 훈련 데이터에 의존하지 않고도 고성능 의료 영상 분할을 달성할 수 있는가?
• RQ2 학습 가능한 ConvNet을 ACWE 프레임워크와 통합했을 때 비지도 및 준지도 설정에서의 성능은 어떠한가?
• RQ3 자기지도 학습이 SPECT 골절분할 작업에서 완전한 지도 학습을 효과적으로 대체할 수 있는가?
• RQ4 준지도 설정에서 보조 진단 레이블의 영향은 분할 정확도와 수렴 속도에 어떤 영향을 미치는가?
• RQ5 제안된 방법은 임상적 SPECT 영상 환경에서 강건성과 속도를 유지하는가?

주요 결과

• 제안된 모델은 레이블이 거의 없거나 전혀 없는 조건에서도 SPECT 영상에서 고품질의 골절분할을 달성한다.
• 비지도 설정에서 진단 레이블이 없는 상황임에도 불구하고 완전 지도 학습 기반 기준 모델과 경쟁 가능한 성능을 보였다.
• 준지도 버전은 학습 중 보조 진단 레이블을 활용함으로써 분할 정확도를 더욱 향상시켰다.
• 빠른 추론을 가능하게 하여 실시간 또는 임상 적용에 적합하다.
• 자기지도 학습이 명시적 지도 없이도 의미 있는 분할 특징을 학습하도록 네트워크를 효과적으로 이끌었다.
• ACWE와 학습 가능한 ConvNet의 통합은 데이터가 적은 환경에서 일반화 능력과 강건성을 향상시켰다.