[논문 리뷰] Data augmentation using learned transformations for one-shot medical image segmentation

Amy Zhao, Guha Balakrishnan외 3명|arXiv (Cornell University)|2019. 02. 25.

Medical Image Segmentation Techniques참고 문헌 79인용 수 57

한 줄 요약

이 논문은 비레이블 MRI 스캔으로부터 공간 변환과 외관 변환을 학습하여 단일 해부학적 아틀라스에서 라벨이 있는 예제를 합성하고 원샷 뇌 MRI 분할을 개선하는 반지도 학습 데이터 증강 방법을 제시한다. 수작업으로 조정된 증강 및 단일 아틀라스 기준을 능가하며, 완전한 지도 학습 성능에 근접한다.

ABSTRACT

Image segmentation is an important task in many medical applications. Methods based on convolutional neural networks attain state-of-the-art accuracy; however, they typically rely on supervised training with large labeled datasets. Labeling medical images requires significant expertise and time, and typical hand-tuned approaches for data augmentation fail to capture the complex variations in such images. We present an automated data augmentation method for synthesizing labeled medical images. We demonstrate our method on the task of segmenting magnetic resonance imaging (MRI) brain scans. Our method requires only a single segmented scan, and leverages other unlabeled scans in a semi-supervised approach. We learn a model of transformations from the images, and use the model along with the labeled example to synthesize additional labeled examples. Each transformation is comprised of a spatial deformation field and an intensity change, enabling the synthesis of complex effects such as variations in anatomy and image acquisition procedures. We show that training a supervised segmenter with these new examples provides significant improvements over state-of-the-art methods for one-shot biomedical image segmentation. Our code is available at https://github.com/xamyzhao/brainstorm.

연구 동기 및 목표

• 의료 영상 분할에서 라벨 데이터의 제한 문제를 다룬다.
• 라벨이 없는 스캔을 활용하는 자동화된 증강 프레임워크를 개발한다.
• 공간 변환과 외관 변환을 모델링하여 다양한 라벨링된 학습 예제를 합성한다.
• 뇌 MRI 데이터에서 최신 원샷 분할 방법들보다 향상을 입증한다.

제안 방법

• VoxelMorph 기반 정합 네트워크를 통해 학습된 변위 필드를 사용하여 공간 변환을 모델링한다.
• 의미적으로 인식하는 매끄러움 규제기를 사용해 각 보셀 단위의 추가로 외관/강도 변환을 모델링한다.
• 레이블이 왜곡된 이미지에 따라 라벨이 함께 따라가도록, 독립적인 공간 및 외관 변환을 단일 라벨이 있는 아틀라스에 적용하여 라벨이 있는 예제를 합성한다.
• 증강된 라벨 데이터 세트에서 감독 학습 분할 네트워크를 훈련한다.
• 보류된 테스트 세트에서 30개 뇌 구조에 대한 Dice 점수로 평가한다.
• 구현은 미분 가능 3D 공간 변환 층들을 사용하고 이미지 유사성 및 매끄러움 항을 결합한 전용 손실로 변환을 학습한다.

실험 결과

연구 질문

• RQ1 비레이블 MRIs로부터 학습된 공간 및 외관 변환이 단일 아틀라스에 적용되었을 때 현실적인 라벨 부여 증강을 생성할 수 있는가?
• RQ2 이러한 학습된 증강이 수작업으로 조정된 증강 및 단일 아틀라스 방법을 넘어 원샷 뇌 MRI 분할을 향상시키는가?
• RQ3 합성 예제를 사용하여 원샷 분할이 완전한 지도 학습 성능에 얼마나 근접할 수 있는가?
• RQ4 공간 변환과 외관 변환의 독립성이 다양한 학습 데이터를 생성하는 데 유리한가?

주요 결과

• Ours-indep의 평균 Dice 점수는 0.804 (0.130)로 SAS 기준선과 rand-aug를 능가한다.
• Ours-indep + rand-aug는 평균 0.815 (0.123)의 Dice를 달성하여 원샷 방법 중 최고.
• Ours-coupled는 0.795 (0.133)에 도달하여 SAS 및 SAS-aug 기준선을 능가한다.
• SAS 기준선 Dice 점수는 0.759 (0.137)이고 SAS-aug는 0.775 (0.147)이다.
• 완전한 지도 학습 상한은 0.849 (0.092)이다.
• 제안된 방법은 baseline 대비 유의한 개선을 보이며(랜드앱 대비 p<1e-15; SAS 대비 p<1e-20), 100명의 테스트 대상에서 일관되게 개선을 보인다.