[논문 리뷰] Domain Adaptation for the Segmentation of Confidential Medical Images

Serban Stan, Mohammad Rostami|arXiv (Cornell University)|2021. 01. 02.

COVID-19 diagnosis using AI인용 수 4

한 줄 요약

이 논문은 비공개 소스 도메인 데이터에 접근할 수 없는 조건에서도 작동하는 새로운 비지도 도메인 적응(Ubiquitous Domain Adaptation, UDA) 방법을 제안한다. 이 방법은 소스 도메인의 내부 분포를 기록하기 위해 혼합 정규분포 모델(Gaussian Mixture Model, GMM)을 사용하며, 심장 및 Abdominal MRI/CT 분할 작업에서 경쟁적인 성능을 달성한다. 이는 소스와 타겟 도메인의 특징을 학습된 소스 분포와 정렬함으로써 달성되며, 소스-타겟 동시 접근이 필요한 기존 최고 성능(SOTA) 방법들을 능가한다.

ABSTRACT

Convolutional neural networks (CNNs) have led to significant improvements in the semantic segmentation of images. When source and target datasets come from different modalities, CNN performance suffers due to domain shift. In such cases data annotation in the target domain becomes necessary to maintain model performance. To circumvent the re-annotation process, unsupervised domain adaptation (UDA) is proposed to adapt a model to new modalities using solely unlabeled target data. Common UDA algorithms require access to source domain data during adaptation, which may not be feasible in medical imaging due to data sharing restrictions. In this work, we develop an algorithm for UDA where the source domain data is inaccessible during target adaptation. Our approach is based on encoding the source domain information into an internal distribution that is used to guide adaptation in the absence of source samples. We demonstrate the effectiveness of our algorithm by comparing it to state-of-the-art medical image semantic segmentation approaches on two medical image semantic segmentation datasets.

연구 동기 및 목표

• 의료 영상 분할에서 영상 모odal(예: MRI 대비 CT)의 차이로 인한 도메인 이동 문제를 해결하기 위해, 기밀 또는 보안 제약으로 인해 소스 데이터를 공유할 수 없는 상황에서의 도메인 이동 문제를 해결한다.
• 학습 또는 적응 중 소스 도메인 샘플에 접근할 필요 없이 새로운 타겟 도메인으로의 적응을 가능하게 하는 UDA 프레임워크를 개발한다.
• GMM를 사용하여 소스 도메인의 내부 분포를 학습하고 유지하여 타겟 도메인의 특징 정렬을 이끌어내는 것을 목표로 한다.
• 타겟 도메인 의료 영상에서 높은 분할 정확도를 달성하면서도 기관 경계 품질을 유지하고 레이블 이동을 최소화한다.
• 직접적인 소스-타겟 접근이 필요 없는 간접적 도메인 정렬 방식이, 소스-타겟 동시 접근이 필요한 방법과 동일하거나 뛰어난 성능을 낼 수 있음을 입증한다.

제안 방법

• 적응 전 소스 특징에 대해 훈련된 GMM를 사용하여 소스 도메인의 내부 특징 분포를 추정한다.
• 적응 과정에서 GMM를 활용하여 타겟 특징과 소스 도메인 간의 특징 정렬을 유도하며, 타겟 특징과 GMM 구성요소 간의 거리 최소화를 통해 정렬을 수행한다.
• 소스 모델의 고신뢰도 예측을 활용해 GMM를 개선함으로써 소스 분포에 대한 표현 정밀도를 향상시킨다.
• 자기지도 일致성 손실과 엔트로피 최소화를 활용하여, 레이블이 없는 타겟 데이터에 대한 예측을 정밀하게 보정한다.
• 복잡한 소스 분포를 모델링하기 위해 클래스당 다중 구성요소 GMM(ω = 3으로 최적 선택)를 사용하여 특징의 분리 가능성을 향상시킨다.
• UMAP 시각화를 통해 GMM 임bedding 품질을 분석하고, 다양한 신뢰도 임계값(ρ = 0.97)에서의 클래스 분리 가능성 검증

실험 결과

연구 질문

• RQ1 소스 데이터에 직접 접근할 수 없더라도, GMM 기반의 소스 도메인 내부 표현이 의료 영상 분할의 도메인 적응을 효과적으로 이끌 수 있는가?
• RQ2 고신뢰도 예측을 활용해 GMM를 개선하는 방식이 도메인 정렬 품질과 분할 성능에 어떤 영향을 미치는가?
• RQ3 클래스당 GMM 구성요소의 수가 분할 정확도 및 경계 정밀도에 미치는 영향은 어느 정도인가?
• RQ4 소스-타겟 동시 접근이 필요한 SOTA UDA 방법과 비교할 때, 제안된 방법의 Dice 점수 및 표면 거리 지표에서의 성능는 어떠한가?
• RQ5 적응 과정에서 발생하는 레이블 이동의 영향은 무엇이며, 이는 분할 성능을 향상시키거나 저하시키는가?

주요 결과

• 심장 MR에서 CT로의 적응 작업에서 제안된 방법은 평균 Dice 점수 81.3%를 달성하였으며, 1-SFS 기준선(86.2% for AA, 83.5% for LAC, 75.4% for LVC, 70.9% for MYO)을 능가하거나 이를 초월하며, 소스 데이터 접근이 필요한 SOTA 방법들과 비교해도 경쟁력을 보였다.
• 클래스당 ω = 3개의 GMM 구성요소를 사용할 경우, 1-SFS 기준선 대비 평균 대칭 표면 거리(ASSD)가 30% 감소하여 경계 정렬 정확도 향상을 입증하였다.
• 레이블 이동 분석 결과, 적응 과정에서 20% 이상의 픽셀이 클래스 이동을 겪었지만, 대부분의 이동이 분할 정확도 향상에 기여하였으며, 특히 LVC 및 MYO 클래스 간에서 두드러진 개선이 관찰되었다.
• 고신뢰도 임계값 ρ = 0.97에서도 강건한 성능을 보였으며, UMAP 시각화 결과 GMM 임베딩 특징 공간에서 클래스 분리 가능성 향상이 확인되었다.
• 제거 실험 결과, 클래스당 하나 이상의 GMM 구성요소를 사용할 경우 성능 향상이 나타났으며, ω = 3를 초과하면 수익 감소 현상이 발생하여 최적의 균형을 이루므로 이 값이 최적으로 선택된 것으로 확인되었다.
• 복강 기관 데이터셋에서 대부분의 클래스에 대해 레이블 이동 비율을 1% 이하로 줄였으며, 대부분의 잘못된 레이블은 '무시' 또는 정확한 재할당을 통해 수정되어 강력한 일반화 능력을 보였다.