[논문 리뷰] Domain Adaptation using Silver Standard Masks for Lateral Ventricle Segmentation in FLAIR MRI

Owen Crystal, Pejman Maralani외 3명|arXiv (Cornell University)|2023. 07. 17.

Cardiac Imaging and DiagnosticsMedicine인용 수 3

한 줄 요약

이 논문은 다중 기관 데이터셋 간 전이 학습 성능을 향상시키기 위해 전통적인 영상 처리 알고리즘을 활용해 생성한 실버 표준(SSI) 마스크를 사용하여 FLAIR MRI에서 측두엽 분할을 위한 새로운 도메인 적응 방법을 제안한다. 원천 도메인에서의 골드 표준(GS) 데이터를 기반으로 한 사전 훈련과 미세 조정을 통해 SS+GS 모델는 평균 DSC 0.89를 달성하였으며, GS 전용 모델 대비 4% 높은 정확도를 보이며 다양한 임상 기관 간에 강건성과 일관성을 입증하였다.

ABSTRACT

Lateral ventricular volume (LVV) is an important biomarker for clinical investigation. We present the first transfer learning-based LVV segmentation method for fluid-attenuated inversion recovery (FLAIR) MRI. To mitigate covariate shifts between source and target domains, this work proposes an domain adaptation method that optimizes performance on three target datasets. Silver standard (SS) masks were generated from the target domain using a novel conventional image processing ventricular segmentation algorithm and used to supplement the gold standard (GS) data from the source domain, Canadian Atherosclerosis Imaging Network (CAIN). Four models were tested on held-out test sets from four datasets: 1) SS+GS: trained on target SS masks and fine-tuned on source GS masks, 2) GS+SS: trained on source GS masks and fine-tuned on target SS masks, 3) trained on source GS (GS CAIN Only) and 4) trained on target SS masks (SS Only). The SS+GS model had the best and most consistent performance (mean DSC = 0.89, CoV = 0.05) and showed significantly (p < 0.05) higher DSC compared to the GS-only model on three target domains. Results suggest pre-training with noisy labels from the target domain allows the model to adapt to the dataset-specific characteristics and provides robust parameter initialization while fine-tuning with GS masks allows the model to learn detailed features. This method has wide application to other medical imaging problems where labeled data is scarce, and can be used as a per-dataset calibration method to accelerate wide-scale adoption.

연구 동기 및 목표

• 스캔 프로토콜 및 하드웨어의 다양성으로 인한 다중 기관 FLAIR MRI 데이터셋 간의 도메인 이동 문제를 해결하기 위해.
• 원천 도메인에서의 골드 표준(GS) 애너테이션 부족 문제를 해결하기 위해, 새로운 영상 처리 알고리즘을 활용해 신뢰할 수 있는 실버 표준(SS) 마스크를 생성하기 위해.
• 전이 학습을 활용한 첫 번째 FLAIR 전용 딥러닝 기반 LVV 분할 모델을 개발하여 일반화 성능을 향상시키기 위해.
• 비라벨링된 원천 데이터를 활용한 각 기관별 캘리브레이션을 가능하게 하여, 광범위한 임상 적용을 가속화하기 위해.

제안 방법

• 측두엽 분할을 위한 실버 표준(SS) 마스크를 자동으로 생성하기 위해, 새로운 전통적 영상 처리 기반(IPB) 알고리즘을 개발하였다.
• 원천 도메인(CAIN)의 골드 표준(GS) 데이터를 보완하기 위해, 타겟 도메인 데이터셋(ADNI, CCNA, ONDRI)에서 SS 마스크를 생성하였다.
• 네 가지 모델을 훈련 및 평가하였다: (1) SS+GS(SS에서 사전 훈련, GS에서 미세 조정), (2) GS+SS(GS에서 사전 훈련, SS에서 미세 조정), (3) GS CAIN Only, (4) SS Only.
• 전이 학습을 적용하기 위해, 원천 도메인의 고해상도 GS 애너테이션으로 사전 훈련한 후, 타겟 도메인의 이미지 특성에 맞게 미세 조정하였다.
• 최적의 구성으로서 SS+GS 모델를 선택하였으며, 노이즈가 있는 SS 레이블을 통해 강건한 초기화를 달성하고, GS 데이터를 통해 세부 특징 학습을 수행하였다.
• 성능 평가에는 DSC, 평균 부피 차이, 및 네 개의 다중 기관 데이터셋 간의 변동 계수(CoV)를 사용하였다.

실험 결과

연구 질문

• RQ1 비라벨링된 타겟 도메인 데이터에서 생성된 실버 표준 마스크가 FLAIR MRI에서의 측두엽 분할에 대한 도메인 적응을 향상시킬 수 있는가?
• RQ2 타겟 도메인의 SS 마스크에서 사전 훈련한 후 원천 도메인의 GS 데이터에서 미세 조정하는 것이, GS 전용 사전 훈련을 사용한 표준 전이 학습보다 성능이 뛰어나게 되는가?
• RQ3 DSC, 일관성, 그리고 다중 기관 데이터셋 간의 강건성 측면에서, 제안된 방법이 GS 전용 모델보다 어떻게 비교되는가?
• RQ4 스캐너 하드웨어, 프로토콜, 이미지 강도 분포의 차이로 인한 공변량 이동을 어느 정도 완화하는 데 실버 표준 마스크가 기여하는가?
• RQ5 이 방법은 라벨이 제한된 다른 의료 영상 AI 응용 분야에 대해 각 기관별 캘리브레이션 프레임워크로 일반화될 수 있는가?

주요 결과

• SS+GS 모델는 세 개의 타겟 데이터셋에서 평균 DSC 0.89와 변동 계수(CoV) 0.05를 기록하여 가장 높고 일관성 있는 성능을 보였다.
• 세 개의 타겟 도메인에서 모두 통계적으로 유의미한(p < 0.05) 4% 향상된 DSC를 기록하여 GS 전용 모델 대비 높은 정확도를 확보하였다.
• 특히 하부 및 상부 슬라이스에서 소형 및 형태학적으로 복잡한 뇌실 영역 분할에서 다른 구성보다 뛰어난 성능을 보였다.
• 모델는 가장 낮은 평균 부피 차이와 가장 낮은 분산을 보이며 강건성을 입증하였으며, 이는 높은 신뢰성과 일관성을 의미한다.
• IPB 알고리즘은 100개의 볼륨에 대해 약 5~7분 내로 실버 표준 마스크를 신속하게 생성하여 수동 애너테이션에 비해 확장 가능한 대안을 제공하였다. 다만 중선 이동이 심한 경우 실패할 수 있다.
• 이 연구는 노이즈가 있는 도메인 특화 SS 마스크에서의 사전 훈련이 모델 일반화 및 파rameter 초기화를 향상시켜, 의료 영상 작업에 대해 ImageNet 기반 사전 훈련보다 뛰어난 성능을 내는 것으로 확인하였다.