[논문 리뷰] Deep Anatomical Federated Network (Dafne): An open client-server framework for the continuous, collaborative improvement of deep learning-based medical image segmentation

Francesco Santini, Jakob Wasserthal외 12명|arXiv (Cornell University)|2023. 02. 13.

Radiomics and Machine Learning in Medical Imaging인용 수 20

한 줄 요약

Dafne는 의료 영상 분할을 개선하기 위한 연합적 증분 학습을 수행하는 무료의 분산형 클라이언트-서버 시스템이며, MRI 데이터에서 세대 간 측정 가능한 성능 향상을 보인 것으로 검증되었습니다.

ABSTRACT

Purpose: To present and evaluate Dafne (deep anatomical federated network), a freely available decentralized, collaborative deep learning system for the semantic segmentation of radiological images through federated incremental learning. Materials and Methods: Dafne is free software with a client-server architecture. The client side is an advanced user interface that applies the deep learning models stored on the server to the user's data and allows the user to check and refine the prediction. Incremental learning is then performed at the client's side and sent back to the server, where it is integrated into the root model. Dafne was evaluated locally, by assessing the performance gain across model generations on 38 MRI datasets of the lower legs, and through the analysis of real-world usage statistics (n = 639 use-cases). Results: Dafne demonstrated a statistically improvement in the accuracy of semantic segmentation over time (average increase of the Dice Similarity Coefficient by 0.007 points/generation on the local validation set, p < 0.001). Qualitatively, the models showed enhanced performance on various radiologic image types, including those not present in the initial training sets, indicating good model generalizability. Conclusion: Dafne showed improvement in segmentation quality over time, demonstrating potential for learning and generalization.

연구 동기 및 목표

• 중앙 집중식 데이터 공유 없이 DL 기반 의료 영상 분할의 협력적이고 지속적인 개선을 촉진하고 가능하게 한다.
• 사용자 수정으로부터의 증분 학습을 지원하는 자유롭게 이용 가능한 클라이언트-서버 아키텍처를 제공한다.
• 일반화 및 시간에 따른 학습을 평가하기 위해 실제 MRI 데이터셋에서 접근법을 평가한다.

제안 방법

• Dafne는 서버가 루트 분절 모델을 호스팅하고 클라이언트가 로컬 데이터에 모델을 적용하는 클라이언트-서버 아키텍처를 사용한다.
• 클라이언트는 예측을 다듬고 로컬에서 증분 학습을 수행하며, 루트 모델에 통합되도록 서버로 업데이트를 전송한다.
• 이 시스템은 연합적 증분 학습을 통해 지속적이고 협력적인 모델 개선을 가능하게 한다.
• 평가에는 MRI 데이터의 모델 세대 간 지역적 성능 향상과 실제 사용 통계 분석이 포함된다.

실험 결과

연구 질문

• RQ1 Dafne를 통한 분산형 증가 학습이 연속적인 모델 세대 간 분할 정확도를 향상시킬 수 있는가?
• RQ2 클라이언트 측 개선과 연합 통합이 초기 학습 세트에 포함되지 않은 영상에 일반화 능력을 향상시키는가?
• RQ3 실제 사용에서 Dafne를 통한 실질적 영향은 무엇이며(사용 통계, 확장성)?

주요 결과

• Dafne는 시간이 지남에 따라 분할 정확도에서 통계적으로 유의한 개선을 보였으며, 로컬 검증 세트에서 세대당 평균 Dice Similarity Coefficient가 0.007포인트 증가했다 (p < 0.001).
• 정성적으로, 모델은 초기 학습 세트에 포함되지 않은 데이터를 포함하여 다양한 방사선 영상 유형에서 향상되었으며, 일반화 가능성이 좋음을 시사한다.
• 평가에는 하체 MRI 데이터셋 38개와 실제 사용 사례 639건이 포함되어, 실용성 및 학습 잠재력을 보여준다.