[논문 리뷰] Domain and Content Adaptive Convolution for Domain Generalization in Medical Image Segmentation.

Shishuai Hu, Zehui Liao외 2명|arXiv (Cornell University)|2021. 09. 13.

COVID-19 diagnosis using AI참고 문헌 32인용 수 8

한 줄 요약

이 논문은 의료 영상 분할을 위한 새로운 다중 소스 도메인 일반화 모델인 도메인 및 콘텐츠 적응형 컨볼루션(DCAC)을 제안한다. 이 모델은 도메인 특성과 입력 영상 콘텐츠에 따라 동적으로 컨볼루션을 적응시키는 기능을 갖추고 있다. 인코더-디코더 아키텍처에 도메인 적응형(DAC) 및 콘텐츠 적응형(CAC) 모듈을 통합함으로써, DCAC는 전립선, 코로나19 병변, 망막신경총/망막판 분할 작업에서 최신 기술 수준의 성능을 달성하며, 기준 모델 및 네 가지 최신 기술 수준의 도메인 일반화 방법보다 뛰어난 성능을 보였다.

ABSTRACT

The domain gap caused mainly by variable medical image quality renders a major obstacle on the path between training a segmentation model in the lab and applying the trained model to unseen clinical data. To address this issue, domain generalization methods have been proposed, which however usually use static convolutions and are less flexible. In this paper, we propose a multi-source domain generalization model, namely domain and content adaptive convolution (DCAC), for medical image segmentation. Specifically, we design the domain adaptive convolution (DAC) module and content adaptive convolution (CAC) module and incorporate both into an encoder-decoder backbone. In the DAC module, a dynamic convolutional head is conditioned on the predicted domain code of the input to make our model adapt to the unseen target domain. In the CAC module, a dynamic convolutional head is conditioned on the global image features to make our model adapt to the test image. We evaluated the DCAC model against the baseline and four state-of-the-art domain generalization methods on the prostate segmentation, COVID-19 lesion segmentation, and optic cup/optic disc segmentation tasks. Our results indicate that the proposed DCAC model outperforms all competing methods on each segmentation task, and also demonstrate the effectiveness of the DAC and CAC modules.

연구 동기 및 목표

• 다양한 임상 스캐너와 프로토콜로 인해 발생하는 영상 품질의 변동성으로 인한 의료 영상 분할의 도메인 갭 문제를 해결하기 위해.
• 정적 컨볼루션 레이어가 미리 정의된 도메인에만 적응할 뿐, 예측할 수 없는 도메인에 유연하게 대응하지 못하는 도메인 일반화 방법의 한계를 극복하기 위해.
• 입력 영상의 도메인 고유 특성과 콘텐츠 고유 특징을 동시에 고려해 동적으로 적응하는 컨볼루션 메커니즘을 개발하기 위해.
• 도메인 불변 표현을 통해 적응형 특징 학습을 통해, 예측할 수 없는 임상 데이터에서의 모델 일반화 능력을 향상시키기 위해.
• 다양한 도메인 이동이 존재하는 여러 의료 영상 분할 벤치마크에서 제안된 방법의 효과성을 검증하기 위해.

제안 방법

• DCAC 모델은 인코더-디코더 분할 백본에 도메인 적응형 컨볼루션(DAC) 및 콘텐츠 적응형 컨볼루션(CAC)이라는 두 가지 동적 컨볼루션 모듈을 통합한다.
• DAC 모듈은 입력 영상의 예측된 도메인 코드에 따라 조정되는 동적 컨볼루션 헤드를 사용하여, 예측할 수 없는 타겟 도메인에 적응한다.
• CAC 모듈은 전역 영상 특징에 따라 조정되는 동적 컨볼루션 헤드를 활용하여, 추론 중 입력 콘텐츠의 변동성에 적응한다.
• 모델는 다중 소스 도메인 일반화 손실을 사용해 엔드 투 엔드로 훈련되며, 도메인 및 콘텐츠 적응의 공동 최적화를 가능하게 한다.
• 도메인 코드는 입력 특징에서 도메인 분류기 헤드를 통해 예측되며, 이는 컨볼루션 필터의 동적 라우팅을 안내한다.
• 동적 컨볼루션 헤드는 도메인 및 콘텐츠 임베딩 기반으로 필터 가중치를 생성하여, 탄력적이고 맥락 인식형 특징 학습을 가능하게 한다.

실험 결과

연구 질문

• RQ1 통합된 모델 아키텍처가 의료 영상의 도메인 고유 특성과 콘텐츠 고유 특성의 변동에 동시에 동적으로 적응하여 도메인 일반화 성능을 향상시킬 수 있는가?
• RQ2 제안된 DCAC 모델은 정적 컨볼루션과 기존의 도메인 일반화 방법에 비해 예측할 수 없는 임상 영상 도메인을 다룰 때 어떻게 성능이 뛰어나게 되는가?
• RQ3 DAC 및 CAC 모듈 각각이 교차 도메인 의료 영상 분할 성능 향상에 기여하는 정도는 어느 정도인가?
• RQ4 다른 도메인 이동을 보이는 여러 의료 영상 작업에서 모델이 강건성을 유지하는가?
• RQ5 동적 적응 메커니즘이 다양한 영상 프로토콜과 품질 수준 간에도 효과적으로 일반화되는가?

주요 결과

• DCAC 모델은 전립선 분할, 코로나19 병변 분할, 망막신경총/망막판 분할을 포함한 세 가지 평가 작업에서 최신 기술 수준의 성능을 달성하였다.
• 제안된 방법은 모든 분할 벤치마크에서 기준 모델 및 네 가지 최신 기술 수준의 도메인 일반화 방법보다 뛰어난 성능을 보였다.
• 절단 실험 결과, DAC 및 CAC 모듈 모두 성능 향상에 기여하며, 특히 DAC가 도메인 이동 적응에 핵심적인 역할을 한다는 것이 확인되었다.
• 모델는 예측할 수 없는 임상 도메인으로의 일반화 능력이 뛰어나, 효과적인 도메인 불변 표현 학습이 이루어졌음을 시사한다.
• 동적 컨볼루션 메커니즘은 도메인 및 콘텐츠 특성에 적응함으로써 더 나은 특징 학습을 가능하게 하여, 도메인 이동 상황에서도 분할 정확도를 향상시켰다.