[논문 리뷰] Consensus Based Medical Image Segmentation Using Semi-Supervised Learning And Graph Cuts

Dwarikanath Mahapatra|arXiv (Cornell University)|2016. 12. 07.

Medical Image Segmentation Techniques참고 문헌 95인용 수 9

한 줄 요약

이 논문은 반감성 학습(SSL)과 그래프 컷(GC)을 활용한 공감 기반 의료 영상 분할 방법을 제안한다. 이는 다수의 전문가 애너테이션을 융합하기 위한 것으로, 애너테이터 신뢰도를 정량화하기 위해 자기일致성(SC) 점수를 도입하고, SSL을 통해 누락된 레이블을 예측하며, GC를 통해 이阶 MRF를 최적화하여 반복적 보정 없이 전역 최적화를 달성함으로써 STAPLE 및 LMSTAPLE과 같은 EM 기반 방법보다 더 정확하고 일관성 있는 분할 결과를 도출한다.

ABSTRACT

Medical image segmentation requires consensus ground truth segmentations to be derived from multiple expert annotations. A novel approach is proposed that obtains consensus segmentations from experts using graph cuts (GC) and semi supervised learning (SSL). Popular approaches use iterative Expectation Maximization (EM) to estimate the final annotation and quantify annotator's performance. Such techniques pose the risk of getting trapped in local minima. We propose a self consistency (SC) score to quantify annotator consistency using low level image features. SSL is used to predict missing annotations by considering global features and local image consistency. The SC score also serves as the penalty cost in a second order Markov random field (MRF) cost function optimized using graph cuts to derive the final consensus label. Graph cut obtains a global maximum without an iterative procedure. Experimental results on synthetic images, real data of Crohn's disease patients and retinal images show our final segmentation to be accurate and more consistent than competing methods.

연구 동기 및 목표

• 반복적 기대값 최대화(EM) 방법의 한계를 해결하기 위해, 국소 최소값에 수렴할 위험과 높은 계산 비용을 겪는다.
• 반감성 학습(SSL)을 활용해 누락된 전문가 애너테이션을 예측함으로써 공감 분할을 향상시키며, 전역적 특징과 국소적 영상 일관성을 모두 활용한다.
• 저수준 영상 특징 기반의 새로운 자기일치성(SC) 점수를 통해 전문가 일관성을 정량화하여 신뢰도가 낮은 애너테이션의 영향을 줄인다.
• 반복 최적화 없이 그래프 컷(GC)을 통해 전역 최적 분할을 달성함으로써 EM 기반 대안보다 더 빠르고 강건한 수렴을 보장한다.
• 마르코프 랜덤 필드(MRF) 프레임워크 내에서 SSL과 GC를 융합함으로써, 특히 Abdominal MR에서 크로운 병변 및 망막 산모 영상 분석과 같은 의료 영상 작업에서 분할 정확도와 일관성을 향상시킨다.

제안 방법

• 각 전문가별로 국소 영상 특징을 사용해 자기일치성(SC) 점수를 계산하며, 동일한 레이블 영역 내 특징 분포 유사도를 측정하여 애너테이션 신뢰도를 평가한다.
• 반감성 학습(SSL)을 통해 레이블이 없는 픽셀을 레이블된 샘플 기반으로 모델링함으로써 누락된 애너테이션을 예측하며, 전역 영상 통계와 특징 공간 내 국소 일관성을 모두 활용한다.
• 최종 공감 분할은 SC 점수가 페널티 항목으로 작용하는 이阶 MRF 비용 함수를 최적화하여 유도된다. 이는 일관성이 떨어지는 애너테이션의 영향을 줄이는 데 기여한다.
• 그래프 컷(GC)을 사용해 MRF 최적화 문제를 해결함으로써 반복적 보정 없이 전역 최적해를 보장하며, EM 기반 방법에서 흔히 발생하는 국소 최소값 문제를 피한다.
• 프레임워크는 SSL을 통해 레이블 예측을 수행하고, GC를 통해 분할 정밀도를 향상시키며, SC 점수를 동적으로 전문가 기여도를 가중치로 활용한다.
• 이 방법은 실제 복부 MRI(Crohn 병변), 망막 산모 영상(광학 컵/디스크 분할), 그리고 합성 데이터에 적용되었으며, 딱시 스코어와 일관성 메트릭을 통해 평가되었다.

실험 결과

연구 질문

• RQ1 저수준 영상 특징 기반 자기일치성(SC) 점수가 의료 영상 분할에서 전문가 애너테이션 신뢰도를 효과적으로 정량화할 수 있는가?
• RQ2 반감성 학습(SSL)이 기존 레이블과의 일관성을 유지하면서 EM 기반 방법보다 누락된 전문가 애너테이션을 더 잘 예측할 수 있는가?
• RQ3 그래프 컷(GC)이 STAPLE 및 LMSTAPLE와 같은 반복적 EM 기반 접근 방식보다 더 빠르고 정확한 공감 분할을 달성할 수 있는가?
• RQ4 SC를 통한 전문가 일관성 통합이 최종 공감 분할의 강건성과 정확도를 얼마나 향상시키는가?
• RQ5 실제 및 합성 의료 영상 데이터에서 주어진 방법이 다수 투표, STAPLE, LMSTAPLE, COLLATE와 비교해 정확도와 계산 효율성 측면에서 어떻게 성능을 내는가?

주요 결과

• 제안된 방법인 GC와 누락 레이블, SC 가중치(GC_ME)는 합성 영상에서 가장 높은 딱시 스코어(0.87)와 가장 낮은 딱시 메트릭 변동성(DM)을 기록하여 모든 베이스라인을 압도했다.
• GC_ME는 전체 전문가 애너테이션을 가진 GC_ME-All의 95% 성능을 달성했으며, SSL을 제거한 GC_ME-wSSL보다 유의미하게 높은 성능을 보였다. 이는 SSL이 누락 레이블 예측에 효과적임을 입증한다.
• GC_ME는 LMSTAPLE 대비 3배, COLLATE 대비 2배 빠른 속도를 기록했다. 이는 그래프 컷의 반복적 구조가 아닌 특성 덕분이며, 정확도는 뛰어나게 유지되었다.
• SC 점수는 일관성이 떨어지는 애너테이션의 영향을 효과적으로 줄였다: GC_ME-wSC(무작위 SC 제거)는 GC_ME보다 유의미하게 열등한 성능(유의수준 p < 0.001)을 보였다. 이는 SC가 신뢰도 낮은 전문가를 걸러내는 데 기여함을 확인한다.
• 그래프 컷은 반복적 보정 없이 전역 최적화를 달성했으며, STAPLE 및 LMSTAPLE와 같은 EM 기반 방법과 달리 국소 최소값에 갇힐 위험이 없었다.
• 실제 데이터에서의 성능은 강건했으며, 다수 투표 및 다른 융합 전략 대비 크로운 병변 및 망막 산모 영상에서 더 정확하고 일관성 있는 분할 결과를 도출했다.