[논문 리뷰] Conditional Domain Adaptation GANs for Biomedical Image Segmentation.

Hugo Oliveira, Edemir Ferreira외 1명|arXiv (Cornell University)|2019. 01. 16.

Domain Adaptation and Few-Shot Learning참고 문헌 14인용 수 5

한 줄 요약

이 논문은 디지타이제이션 기술의 차이로 인한 영상 특성의 다름이 있는 도메인 간에서 레이블이 있는 데이터와 없는 데이터를 모두 활용하여 생물의학 영상 분할 성능을 향상시키는 조건부 도메인 적응 GAN을 제안한다. 적대적 훈련과 조건부 감독을 결합함으로써 기준 모델 대비 일관된 향상을 이룩하였으며, 특히 레이블이 적은 상황에서 Jaccard 점수 0.9를 초과하는 경우가 많았다.

ABSTRACT

Due to visual differences in biomedical image datasets acquired using distinct digitization techniques, Transfer Learning is an important step for improving the generalization capabilities of Neural Networks in this area. Despite succeeding in classification tasks, most Domain Adaptation strategies face serious limitations in segmentation. Therefore, improving on previous Image Translation networks, we propose a Domain Adaptation method for biomedical image segmentation based on adversarial networks that can learn from both unlabeled and labeled data. Our experimental procedure compares our method using several domains, datasets, segmentation tasks and baselines, performing quantitative and qualitative comparisons of the proposed method with baselines. The proposed method shows consistently better results than the baselines in scarce label scenarios, often achieving Jaccard values greater than 0.9 and adequate segmentation quality in most tasks and datasets.

연구 동기 및 목표

• 디지타이제이션 기술의 차이로 인한 생물의학 영상 분할에서의 도메인 이동 문제를 해결하기 위해.
• 레이블이 부족한 상황에서 애너테이션된 데이터가 희소할 때 분할 성능을 향상시키기 위해.
• 레이블이 있는 데이터와 없는 데이터를 효과적으로 활용하는 도메인 적응 방법을 개발하기 위해.
• 분할과 같은 밀도 예측 작업에서 기존 도메인 적응 전략의 한계를 극복하기 위해.
• 다양한 생물의학 데이터셋과 분할 작업에서 최신 기술 수준의 성능을 달성하기 위해.

제안 방법

• 이 방법은 적대적 훈련을 통해 도메인 불변 특징을 학습하는 조건부 GAN 프레임워크를 사용한다.
• 레이블이 있는 데이터로부터 온 조건부 감독을 활용해 분할 네트워크 훈련을 이끌어낸다.
• 비레이블 데이터를 사용해 소스 도메인과 타겟 도메인 간의 특징 분포를 정렬한다.
• 적대적 손실과 분할 손실을 사용해 종단 간(end-to-end)으로 모델을 훈련함으로써 도메인 적응과 예측 정확도를 최적화한다.
• 분할 헤드와 도메인 구분자(discriminator)를 결합한 아키텍처를 통해 공동 최적화를 가능하게 한다.
• 일반화 능력을 평가하기 위해 다양한 데이터셋과 영상 모odalities에서 평가한다.

실험 결과

연구 질문

• RQ1 조건부 도메인 적응 GAN이 다양한 생물의학 영상 도메인 간 분할 성능 향상에 효과적으로 기여할 수 있는가?
• RQ2 기존 도메인 적응 기준 모델 대비 제안된 방법이 레이블이 적은 데이터 설정에서 어떻게 성능을 내는가?
• RQ3 모델이 다양한 데이터셋과 분할 작업 간에 얼마나 잘 일반화되는가?
• RQ4 레이블이 있는 데이터와 없는 데이터를 모두 통합함으로써 도메인 정렬과 분할 정확도가 향상되는가?
• RQ5 적대적 훈련이 분할 작업에서 특징 분포 정렬에 어떤 영향을 미치는가?

주요 결과

• 제안된 방법은 대부분의 분할 작업과 데이터셋에서 레이블이 적은 조건에서도 Jaccard 점수 0.9를 초과한다.
• 정량적 및 정성적 평가에서 기준 도메인 적응 방법보다 일관되게 뛰어난 성능을 보였다.
• 레이블 샘플 수가 매우 적은 상황에서도 높은 분할 품질을 유지한다.
• 레이블이 있는 데이터와 없는 데이터를 모두 활용함으로써 도메인 적응 성능이 크게 향상된다.
• 다양한 생물의학 영상 도메인과 획득 기술 간에 잘 일반화된다.
• 정성적 결과는 다양한 테스트 케이스에서 정확하고 일관된 분할 마스크를 보여준다.