[논문 리뷰] Contrastive Registration for Unsupervised Medical Image Segmentation

Lihao Liu, Angelica I. Avilés-Rivero외 1명|arXiv (Cornell University)|2020. 11. 17.

Medical Image Segmentation Techniques참고 문헌 53인용 수 12

한 줄 요약

이 논문은 CNN 기반 아키텍처를 통해 영상 수준의 정렬과 특징 수준의 대조적 학습을 결합한 새로운 비지도 의료 영상 분할 방법인 CLMorph를 제안한다. 공간적 정렬과 분류 가능한 특징 표현을 동시에 최적화함으로써, 뇌와 심장 MRI 데이터셋에서 최신 기술 수준의 성능을 달성하였으며, BraTS 데이터셋에서 0.763의 Dice 스코어로 기존의 비지도 방법들을 능가한다.

ABSTRACT

Medical image segmentation is a relevant task as it serves as the first step for several diagnosis processes, thus it is indispensable in clinical usage. Whilst major success has been reported using supervised techniques, they assume a large and well-representative labelled set. This is a strong assumption in the medical domain where annotations are expensive, time-consuming, and inherent to human bias. To address this problem, unsupervised techniques have been proposed in the literature yet it is still an open problem due to the difficulty of learning any transformation pattern. In this work, we present a novel optimisation model framed into a new CNN-based contrastive registration architecture for unsupervised medical image segmentation. The core of our approach is to exploit image-level registration and feature-level from a contrastive learning mechanism, to perform registration-based segmentation. Firstly, we propose an architecture to capture the image-to-image transformation pattern via registration for unsupervised medical image segmentation. Secondly, we embed a contrastive learning mechanism into the registration architecture to enhance the discriminating capacity of the network in the feature-level. We show that our proposed technique mitigates the major drawbacks of existing unsupervised techniques. We demonstrate, through numerical and visual experiments, that our technique substantially outperforms the current state-of-the-art unsupervised segmentation methods on two major medical image datasets.

연구 동기 및 목표

• 수동 레이블에 의존하지 않는 비지도 분할 방법을 개발하여, 의료 영상의 레이블링 비용과 자원 부족 문제를 해결하고자 한다.
• 영상 수준의 정렬과 특징 수준의 대조적 표현 학습을 통합하여 비지도 분할 성능을 향상시키고자 한다.
• 의료 영상 분야에서 지도 학습과 비지도 학습 기법 간의 성능 격차를 해소하고자 한다.
• 대조적 학습이 분할 주도 정렬 모델의 특징 분류 능력을 향상시킬 수 있음을 입증하고자 한다. 이때 분할 레이블이 필요로 하지 않는다.

제안 방법

• 비정렬 영상과 기준 영상으로부터 CNN 특징를 추출하기 위해 가중치 공유 인코더 아키텍처를 사용한다.
• VoxelMorph 기반 아키텍처를 사용하여 영상 간 변환 매핑을 학습함으로써 정렬 기반 분할 작업을 정의한다.
• 비정렬 영상과 기준 영상의 특징를 비교하기 위해 대조적 학습 헤드를 도입하여 분류 가능한 특징 학습을 장려한다.
• 정렬을 위한 부드러움 손실과 특징 분류를 위한 대조적 손실을 포함하는 복합 손실 함수를 최적화한다.
• 대조적 손실은 두 영상의 잠재적 특징 표현에 적용되며, 일치하는 영상-기준 쌍(양의 쌍)에 대해 특징의 불변성을 촉진한다.
• 전체 네트워크는 분할 마스크가 학습된 변환을 통해 기준 영상에서 비정렬 영상으로 전달되는 방식으로, 비지도 방식으로 엔드 투 엔드로 훈련된다.

실험 결과

연구 질문

• RQ1 영상 정렬과 함께 대조적 표현 학습을 통합할 경우 비지도 의료 영상 분할 성능이 향상될 수 있는가?
• RQ2 특징 수준의 대조적 학습 통합이 정렬 기반 분할 모델의 분류 능력에 어떤 영향을 미치는가?
• RQ3 비지도 방법이 지도 학습 최신 기술 수준의 성능에 얼마나 가까이 도달할 수 있는가?
• RQ4 제안된 아키텍처에서 정렬 손실과 대조적 손실 간의 최적의 균형은 무엇인가?

주요 결과

• CLMorph는 BraTS 데이터셋에서 0.763의 Dice 스코어를 기록하여 기존의 비지도 방법들을 뛰어넘는 성능을 보였다.
• 절단 실험을 통해 대조적 학습과 정렬 구성 요소가 모두 분할 성능 향상에 기여하는 것으로 확인되었다.
• ACDC 심장 MRI 데이터셋에서 CLMorph는 모든 베이스라인보다 Dice와 ASSD 지표에서 뛰어난 성능을 보였으며, HD 지표에서도 경쟁 가능한 결과를 얻었다.
• 시각적 결과 분석에서 CLMorph는 베이스라인 대비 더 세밀한 해부학적 구조를 유지하고 더 흐릿하지 않은 정렬 출력을 생성하는 것으로 나타났다.
• 최적의 하이퍼파라미터 조합은 α=1(부드러움 손실)과 β=0.01(대조적 손실)로, 이 조합에서 가장 높은 Dice 스코어를 기록하였다.
• 이 방법은 뇌 영상과 심장 영상 등 다양한 해부학적 구조에 대해 강력한 일반화 능력을 보였다.