[논문 리뷰] Learning under Distributed Weak Supervision

Martin Rajchl, Matthew C. H. Lee외 8명|arXiv (Cornell University)|2016. 06. 03.

Domain Adaptation and Few-Shot Learning참고 문헌 12인용 수 33

한 줄 요약

이 논문은 전문가가 아닌 평균 사용자들이 제공하는 슈퍼픽셀 약한 애너테이션을 활용하여 T2 강도 MRI 영상에서 태반 뇌 세분화를 위한 완전 컨volution 신경망(FCN)을 훈련하는 웹 기반 커스터마이징 프레임워크를 제안한다. 전문가가 아닌 이들이 제공하는 약한 애너테이션만을 사용함에도 불구하고, 이 방법은 전문가 지도 학습 방식과 유사한 최신 기술 수준의 성능을 달성하였으며, 애너테이션 시간을 전문가의 3일에서 비전문가 12명이 1시간 이내로 단축시켰다.

ABSTRACT

The availability of training data for supervision is a frequently encountered bottleneck of medical image analysis methods. While typically established by a clinical expert rater, the increase in acquired imaging data renders traditional pixel-wise segmentations less feasible. In this paper, we examine the use of a crowdsourcing platform for the distribution of super-pixel weak annotation tasks and collect such annotations from a crowd of non-expert raters. The crowd annotations are subsequently used for training a fully convolutional neural network to address the problem of fetal brain segmentation in T2-weighted MR images. Using this approach we report encouraging results compared to highly targeted, fully supervised methods and potentially address a frequent problem impeding image analysis research.

연구 동기 및 목표

• 의료 영상 분석에서 전문가 레이블 데이터의 부족 문제를 해결하기 위해 약한 애너테이션 작업을 비전문가 대상으로 분산 배포하는 것.
• 비전문가가 T2 강도 MRI 영상에서 태반 뇌 세분화를 위한 신뢰할 수 있는 슈퍼픽셀 애너테이션을 생성할 수 있는지 평가하는 것.
• 약한 지도 학습 데이터를 활용해 완전 컨volution 신경망(FCN)을 훈련하고, 전문가 지도 학습 기반의 베이스라인과 성능을 비교하는 것.
• 분산된 약한 지도 학습이 전문가 수준의 지도 학습 성능에 근접하면서도 애너테이션 시간을 극적으로 단축시킬 수 있는지 보여주는 것.

제안 방법

• JavaScript를 사용하여 클라이언트 측에서 SLIC 슈퍼픽셀 분할을 수행할 수 있는 웹 기반 커스터마이징 인터페이스를 개발하여 애너테이션 작업을 효율적으로 분산시켰다.
• 비전문가 사용자들이 볼륨형 MRI 영상에서 태반 뇌에 속하는 슈퍼픽셀를 선택하기 위해 수정된 LabelMe 스타일 인터페이스를 사용하였다.
• 네 개의 연결된 컨볼루션 및 맥스 풀링 레이어, 두 개의 분류 레이어 및 스위프트 연결을 포함한 완전 컨볼루션 신경망(FCN)을 세분화에 사용하였다.
• 업샘플링을 위해 디컨볼루션 레이어를 사용하였으며, 요소별 합산을 통해 저수준 특징과 고수준 의미적 예측을 통합하였다.
• 데이터 증강 및 무작위 샘플링을 통해 분산을 줄이고, 전문가 및 비전문가 사용자로부터의 약한 지도 학습 데이터를 기반으로 모델을 훈련시켰다.
• 수동으로 생성된 진짜값과의 비교를 통해 DSC(Dice Similarity Coefficient)를 사용하여 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 비전문가 사용자들이 T2 강도 MRI 영상에서 태반 뇌 세분화를 위한 안정적인 슈퍼픽셀 애너테이션을 생성할 수 있는가?
• RQ2 비전문가로부터의 약한 지도 학습 데이터로 훈련된 완전 컨볼루션 신경망의 성능이 전문가 지도 학습 기반 훈련과 비교해 어떻게 되는가?
• RQ3 분산된 약한 지도 학습은 높은 세분화 정확도를 유지하면서도 애너테이션 시간을 줄일 수 있는가?
• RQ4 체계적인 애너테이션 오류(예: 두개골 또는 뇌척수액의 잘못된 분류)는 모델 성능에 어떤 영향을 미치는가?

주요 결과

• 비전문가로부터의 약한 애너테이션을 기반으로 훈련된 FCN는 DSC(Dice Similarity Coefficient) 0.85를 달성하였으며, 전문가 지도 학습 기반 베이스라인과 유사한 성능을 보였다.
• 슬라이스당 평균 애너테이션 시간은 7.2 ± 3.4초였으며, 이로 인해 5,000장이 넘는 전체 데이터셋을 12명의 비전문가가 1시간 이내로 애너테이션할 수 있었다.
• 전문가가 다중 평면 인터페이스를 사용해 수동으로 세분화한 결과, 총 애너테이션 시간은 약 3일 분량이었으며, 이는 시간을 90% 감소시킨 셈이다.
• 비전문가로부터의 약한 애너테이션을 기반으로 훈련된 모델는 전문가로부터의 약한 애너테이션을 기반으로 훈련된 모델와 유사한 성능을 보였으며, 둘 다 높은 DSC 값을 기록하였다.
• 두개골의 과다 분할 및 뇌척수액의 누락과 같은 체계적인 오류가 관찰되었으며, 이는 슈퍼픽셀 경계의 해석 차이에서 기인한 것으로 보였다.
• 임상적 전문성 요구가 적은 해부학적 구조 세분화 작업은 효과적으로 커스터마이징할 수 있으며, 이는 의료 영상 학습을 위한 확장 가능한 데이터 수집을 가능하게 한다.