[논문 리뷰] Domain Generalization for Medical Image Analysis: A Review

Jee Seok Yoon, Kwanseok Oh외 3명|arXiv (Cornell University)|2023. 10. 05.

AI in cancer detection인용 수 4

한 줄 요약

이 논문은 의료 영상 분석(MedIA) 분야에서 도메인 일반화(DG) 기법에 대한 종합적인 리뷰를 제시하며, 방법을 데이터 수준, 특징 수준, 모델 수준, 분석 수준의 접근으로 분류한다. 전체 MedIA 워크플로우—자료 확보에서 모델 해석에 이르기까지—에 걸쳐 DG를 통합할 것을 강조하며, 데이터 이질성, 제한된 레이블링, 모델의 강건성 등의 과제를 제기하고 정형화된 벤치마크 개발을 통해 재현 가능성과 정밀의료 분야의 실용적 적용성을 향상시킬 것을 촉구한다.

ABSTRACT

Medical image analysis (MedIA) has become an essential tool in medicine and healthcare, aiding in disease diagnosis, prognosis, and treatment planning, and recent successes in deep learning (DL) have made significant contributions to its advances. However, deploying DL models for MedIA in real-world situations remains challenging due to their failure to generalize across the distributional gap between training and testing samples - a problem known as domain shift. Researchers have dedicated their efforts to developing various DL methods to adapt and perform robustly on unknown and out-of-distribution (OOD) data distributions. This article comprehensively reviews domain generalization (DG) studies specifically tailored for MedIA. We provide a holistic view of how DG techniques interact within the broader MedIA system, going beyond methodologies to consider the operational implications on the entire MedIA workflow. Specifically, we categorize DG methods into data-level, feature-level, model-level, and analysis-level methods. We show how those methods can be used in various stages of the MedIA workflow with DL equipped from data acquisition to model prediction and analysis. Furthermore, we critically analyze the strengths and weaknesses of various methods, unveiling future research opportunities.

연구 동기 및 목표

• 다양한 스캐너, 프로토콜, 기관에서 유래한 데이터 분포 간의 도메인 이동 문제로 인해 모델이 일반화되지 못하는 데 기인한 핵심 과제를 해결하기 위해.
• 데이터 확보에서 임상 의사결정에 이르기까지 전체 의료 영상 분석 파이프라인에 걸쳐 도메인 일반화 기법이 어떻게 통합되는지를 종합적으로 파악하기 위해.
• 기존 MedIA 분야의 DG 기법을 비판적으로 평가하여 각 워크플로우 단계에서의 강점, 한계, 운영적 영향을 규명하기 위해.
• 정규화된, 다양한 데이터셋을 포함한 벤치마크 데이터셋을 개발하여 DG 기법의 공정하고 철저한 평가를 가능하게 하기 위해.
• 특정 임상 과제, 데이터 가용성, 해석 가능성 요구사항에 따라 연구자와 전문가가 적절한 DG 전략을 선택하고 적용할 수 있도록 안내하기 위해.

제안 방법

• 도메인 일반화 기법을 네 가지 수준으로 분류: 데이터 수준(예: 주파수 기반 전처리, 데이터 증강), 특징 수준(예: 도메인 정합, 분리), 모델 수준(예: 학습 전략, 최적화), 분석 수준(예: 인과관계, 해석 가능성).
• 모든 MedIA 단계—자료 확보, 영상 복원, 특징 추출, 후행 예측, 분석—에 DG 기법을 적용하는 워크플로우 통합 프레임워크를 제안.
• 데이터 가용성, 대상 도메인 접근성, 해석 가능성 또는 강건성과 같은 과제 중심의 요구사항을 기반으로 한 방법 선택을 안내하는 决策 지원 다이어그램(그림 4)을 도입.
• 저자원 환경에서의 DG에 적합한 최신 기법들인 도메인 불변 표현 학습, 도메인 분리, Segment Anything Model(SAM)과 같은 자기지도 학습 모델을 검토.
• 임상 적용 시 모델의 강건성과 신뢰도를 향상시키기 위해 인과관계 및 해석 가능한 AI의 활용을 강조.
• 스캐너 및 프로토콜의 다양성으로 인한 분포 이동을 완화하기 위해 주파수 기반 전처리 및 데이터 증강의 중요성을 강조.

실험 결과

연구 질문

• RQ1 데이터 확보에서 임상 해석에 이르기까지 전체 의료 영상 분석 워크플로우 전반에 걸쳐 도메인 일반화 기법을 체계적으로 통합하는 방법은 무엇인가?
• RQ2 실제 의료 영상 환경에서 데이터 수준, 특징 수준, 모델 수준, 분석 수준의 도메인 일반화 기법들이 각각 가지는 상대적 강점과 한계는 무엇인가?
• RQ3 데이터 부족, 영상 프로토콜의 다양성, 환자 인구의 이질성 등의 요소가 MedIA에서 딥러닝 모델의 성능과 일반화 능력에 미치는 영향은 무엇인가?
• RQ4 MedIA 분야에서 도메인 일반화 기법을 평가할 때의 주요 과제는 무엇이며, 정형화된 벤치마크 데이터셋은 재현 가능성과 공정한 비교를 어떻게 향상시킬 수 있는가?
• RQ5 제한된 레이블 데이터나 대상 도메인 데이터에 접근할 수 없는 조건에서, 특히 세분화나 진단과 같은 특정 임상 과제에 가장 효과적인 도메인 일반화 전략은 무엇인가?

주요 결과

• 도메인 일반화는 다양한 스캐너, 프로토콜, 기관 간에 모델을 배포할 때 딥러닝 모델의 강건성을 향상시키기 위해 필수적이다.
• 주파수 기반 전처리 및 데이터 증강과 같은 데이터 수준 기법들은 스캐너 및 하드웨어 변형으로 인한 도메인 이동을 효과적으로 줄인다.
• 도메인 정합 및 분리와 같은 특징 수준 기법들은 목표 도메인 데이터가 없더라도 도메인 간 공통된 표현을 학습함으로써 모델의 일반화 능력을 향상시킨다.
• 특수한 학습 전략 및 최적화 기법을 포함한 모델 수준 접근법들은 다수의 소스 도메인에 걸쳐 훈련 중 강건성을 유도함으로써 일반화 능력을 향상시킨다.
• 인과관계 및 해석 가능한 AI와 같은 분석 수준 기법들은 특히 고위험 임상 의사결정 환경에서 모델의 신뢰도와 안전성을 향상시킨다.
• 정형화된 벤치마크 데이터셋의 부족은 재현 가능성과 공정한 평가를 제한하며, 향후 연구는 다양한 다중센터, 다중 모odal리티 데이터셋을 우선적으로 개발하여 DG 기법의 철저한 비교를 가능하게 해야 한다.