[논문 리뷰] Partial Labeled Gastric Tumor Segmentation via patch-based Reiterative Learning

Nan Yang, Gianmarc Coppola외 6명|arXiv (Cornell University)|2017. 12. 20.

Radiomics and Machine Learning in Medical Imaging참고 문헌 19인용 수 6

한 줄 요약

이 논문은 부분적으로 레이블이 붙은 병리 영상 자료를 사용하여 위암 종양 세그멘테이션을 위한 패치 기반 반복 학습 프레임워크를 제안한다. 이는 전체 수동 레이블링에 의존하는 것을 줄인다. 겹치는 영역 예측을 활용하여 경계 오류를 교정하고 예측을 반복적으로 개선함으로써, 부분 레이블이 붙은 데이터셋에서 평균 IOU 0.883과 91.09%의 정확도를 달성하며, 낮은 레이블링 환경에서 기존 방법들을 능가한다.

ABSTRACT

Gastric cancer is the second leading cause of cancer-related deaths worldwide, and the major hurdle in biomedical image analysis is the determination of the cancer extent. This assignment has high clinical relevance and would generally require vast microscopic assessment by pathologists. Recent advances in deep learning have produced inspiring results on biomedical image segmentation, while its outcome is reliant on comprehensive annotation. This requires plenty of labor costs, for the ground truth must be annotated meticulously by pathologists. In this paper, a reiterative learning framework was presented to train our network on partial annotated biomedical images, and superior performance was achieved without any pre-trained or further manual annotation. We eliminate the boundary error of patch-based model through our overlapped region forecast algorithm. Through these advisable methods, a mean intersection over union coefficient (IOU) of 0.883 and mean accuracy of 91.09% on the partial labeled dataset was achieved, which made us win the 2017 China Big Data & Artificial Intelligence Innovation and Entrepreneurship Competitions.

연구 동기 및 목표

• 생물의학 영상 세그멘테이션에서 높은 레이블링 비용 문제를 해결하기 위해, 특히 위암 병리 영상에 초점을 맞춘다.
• 완전한 병리학자 수준의 레이블링에 의존하지 않고도 정확한 종양 세그멘테이션을 가능하게 하기 위해, 부분 레이블링만을 사용한다.
• 새로운 겹치는 영역 예측 전략을 통해 패치 기반 딥 러닝 모델에서 흔히 발생하는 경계 오류를 줄이기 위해 노력한다.
• 추가 수동 레이블링이 필요 없이 반복적으로 예측을 개선하는 자기 향상형 훈련 프레임워크를 개발한다.
• 실제 세계의 부분적으로 레이블이 붙은 위암 종양 데이터셋에서 최신 기술 수준의 성능을 달성한다.

제안 방법

• 프레임워크는 영상 패치에서 국소적 특징을 추출하기 위해 패치 기반 컨volutional 신경망(CNN)을 사용한다.
• 재반복 학습 전략이 적용되며, 모델의 예측 결과가 후속 훈련 반복에서 가짜 레이블로 사용되어 성능을 향상시킨다.
• 겹치는 패치의 예측을 집계하여 경계 불일치를 교정하는 겹치는 영역 예측 알고리즘을 도입한다.
• 사전 훈련 없이도 부분적으로 레이블이 붙은 데이터에서 엔드 투 엔드로 훈련되며, 추가 수동 레이블링이 필요 없다.
• 클래스 불균형을 균형 있게 하고 세그멘테이션 정확도를 향상시키기 위해 교차 엔트로피 손실과 딱지 손실을 최적화한다.
• 반복적인 개선 과정은 모델의 일반화 능력을 향상시키고 경계 영역에서의 오류 전파를 줄인다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 부분 레이블링만을 사용하여 높은 정확도의 위암 종양 세그멘테이션을 달성할 수 있는가?
• RQ2 추가 레이블링 없이 패치 기반 세그멘테이션에서 발생하는 경계 오류를 효과적으로 줄일 수 있는가?
• RQ3 반복적 재훈련이 낮은 레이블링 생물의학 데이터셋에서 성능을 얼마나 향상시킬 수 있는가?
• RQ4 제한된 참조 지표가 있는 상황에서 자기지도 학습 기반 개선 메커니즘이 표준 훈련 방식을 능가할 수 있는가?
• RQ5 제안된 방법은 희소 레이블링을 가진 실제 병리 영상에서 강건하고 효과적인가?

주요 결과

• 모델은 부분적으로 레이블이 붙은 위암 종양 데이터셋에서 평균 IOU 0.883을 달성했다.
• 동일한 데이터셋에서 모델은 평균 정확도 91.09%를 기록하여 뛰어난 세그멘테이션 성능를 입증했다.
• 겹치는 영역 예측 알고리즘이 패치 기반 모델에서 흔히 발생하는 경계 오류를 효과적으로 줄였다.
• 재반복 학습 프레임워크는 추가 수동 레이블링이나 사전 훈련 없이도 성능 향상을 이끌어냈다.
• 이 방법은 2017년 중국 빅데이터 및 인공지능 혁신 창업 경연 대회에서 1등을 차지했다.
• 결과는 반복적 개선과 겹치는 패치 분석을 통해 낮은 레이블링 환경에서도 높은 정확도의 세그멘테이션 가능성을 확인한다.