[논문 리뷰] Embracing the Disharmony in Medical Imaging: A Simple and Effective Framework for Domain Adaptation

Rongguang Wang, Pratik Chaudhari외 1명|arXiv (Cornell University)|2021. 03. 23.

Domain Adaptation and Few-Shot Learning참고 문헌 111인용 수 58

한 줄 요약

이 논문은 표현 불변성 강제를 방지하고, 레이블 인식적 적응과 보조 과제를 활용하여 의료 영상에서의 데이터 불일치를 수용하는 새로운 도메인 적응 프레임워크를 제안한다. 3D 뇌 MRI 데이터셋을 대상으로 알츠하이머병 및 정신분열증 분류에서 내부 연구 적응과 외부 연구 일반화 모두에서 뚜렷한 성능 향상을 이룩하였으며, 표현 불변성을 강제하는 기존 방법들을 능가한다.

ABSTRACT

Domain shift, the mismatch between training and testing data characteristics, causes significant degradation in the predictive performance in multi-source imaging scenarios. In medical imaging, the heterogeneity of population, scanners and acquisition protocols at different sites presents a significant domain shift challenge and has limited the widespread clinical adoption of machine learning models. Harmonization methods which aim to learn a representation of data invariant to these differences are the prevalent tools to address domain shift, but they typically result in degradation of predictive accuracy. This paper takes a different perspective of the problem: we embrace this disharmony in data and design a simple but effective framework for tackling domain shift. The key idea, based on our theoretical arguments, is to build a pretrained classifier on the source data and adapt this model to new data. The classifier can be fine-tuned for intra-site domain adaptation. We can also tackle situations where we do not have access to ground-truth labels on target data; we show how one can use auxiliary tasks for adaptation; these tasks employ covariates such as age, gender and race which are easy to obtain but nevertheless correlated to the main task. We demonstrate substantial improvements in both intra-site domain adaptation and inter-site domain generalization on large-scale real-world 3D brain MRI datasets for classifying Alzheimer's disease and schizophrenia.

연구 동기 및 목표

• 스캐너, 인구 및 프rotocol의 차이로 인해 모델 일반화 능력이 저하되는 다기관 의료 영상에서의 도메인 이동 문제를 해결한다.
• 표현 불변성을 강제함으로써 예측 정확도를 떨어뜨리는 기존 조율 방법의 한계를 극복한다.
• 타겟 레이블이 없더라도 레이블 정보를 활용한 내부 연구 적응용 실용적 프레임워크를 개발한다.
• 나이, 성별, 인종과 같은 쉽게 확보 가능한 인구통계학적 공변량을 보조 과제로 활용하여 모델의 새로운 영상 조건에 대한 적응을 이끌어낸다.
• 특히 소수집단에 해당하는 다양한 연령대, 인종 집단, 스캐너 유형에서의 모델 성능 향상을 도모한다.

제안 방법

• 내부 연구 적응을 위해 소스 데이터에서 딥 분류기를 사전 학습하고, 나이, 인종, 스캐너 유형 등의 하위군에서 레이블 정보를 활용해 피취팅한다.
• 다양한 인구 및 영상 장치에서의 적응 안정성을 확보하기 위해 피취팅 과정에 정규화 항목을 도입한다.
• 외부 연구 일반화를 위해 타겟 도메인 데이터에서 지도 레이블이 없더라도 보조 과제(예: 성별 분류, 연령 회귀)를 활용한다.
• 소스 데이터를 사용해 주요 과제(예: 질병 분류)와 보조 과제를 위한 공통 특징 추출기를 동시에 학습한다.
• 주요 과제 헤드의 정규화를 소스 데이터를 활용해 타겟 도메인에서 보조 과제의 지도만으로 특징 추출기를 피취팅한다.
• 인구통계학적 공변량을 프oxy 신호로 활용하여 도메인 간 특징를 정렬함으로써 직접 레이블에 접근하지 않더라도 이식 가능성을 확보한다.

실험 결과

연구 질문

• RQ1 의료 영상에서 표현 불변성을 학습하는 것과는 달리, 피취팅을 통해 도메인 불일치를 수용함으로써 예측 정확도 향상이 가능한가?
• RQ2 타겟 레이블이 없을 경우 보조 과제 학습(예: 연령 및 성별 예측)이 도메인 일반화에 얼마나 효과적인가?
• RQ3 하위군(예: 연령대, 스캐너 유형)에 대한 레이블 인식적 피취팅이 한 연구 내에서 모델 성능 향상에 얼마나 기여하는가?
• RQ4 뇌 영상에서의 교차 스터디 전이에 있어 연령 예측이 성별 분류보다 더 효과적인 보조 과제인가?
• RQ5 전이 학습이 영상 연구 간 소수집단(예: 고령자, 아프리카계 미국인)의 성능 격차를 완화시킬 수 있는가?

주요 결과

• 제안된 방법은 >80세 연령군에서 알츠하이머병 분류 정확도를 88.62%에서 97.10%로 향상시켜 뚜렷한 내부 연구 적응 성과를 보였다.
• PENN 데이터셋의 아프리카계 미국인 참가자에서 전이 학습 후 예측 정확도가 95.36%에서 98.15%로 상승하여 격차가 감소하였다.
• PENN 데이터셋에서 백인 집단의 정확도는 90.23%에서 97.93%로 상승하여 다수 집단에게도 유익함을 보였다.
• AIBL 데이터셋에서 시멘스 트로이 스캐너의 성능은 적응 후 90.88%에서 98.51%로 향상되어 스캐너별 성과 향상이 뚜렷했다.
• 모든 실험에서 연령 예측이 성별 분류보다 더 우수한 보조 과제로 기능하여 뇌 영상 도메인 이동과의 강한 일치를 보였다.
• 보조 과제를 활용함으로써 외부 연구 일반화에서 상당한 향상을 이룩하였으며, 정신분열증 분류 정확도는 기준값 51.02%에서 높은 수준으로 상승하였다.