[논문 리뷰] Pathological Image Segmentation with Noisy Labels

Li Xiao, Yinhao Li외 4명|arXiv (Cornell University)|2021. 03. 20.

AI in cancer detection참고 문헌 20인용 수 4

한 줄 요약

이 논문은 노이즈가 있는 다중 전문가 레이블 하에서 병리 영상 분할 성능을 햖थ기 위해 새로운 레이블 재가중 프레임워크와 가우시안 주의력 포칼 손실(GAFL)을 제안한다. 주변 특징을 통한 픽셀 수준의 신뢰도 및 거칠기 인식 주의력 기반으로, 이 방법은 강건성을 향상시키고 Gleason 2019 데이터셋에서 최신 기술 수준(SOTA) 성능을 달성한다. 특히 어려운 Gleason 등급 5 영역의 분할 성능을 최대 29.37% 향상시킨다.

ABSTRACT

Segmentation of pathological images is essential for accurate disease diagnosis. The quality of manual labels plays a critical role in segmentation accuracy; yet, in practice, the labels between pathologists could be inconsistent, thus confusing the training process. In this work, we propose a novel label re-weighting framework to account for the reliability of different experts' labels on each pixel according to its surrounding features. We further devise a new attention heatmap, which takes roughness as prior knowledge to guide the model to focus on important regions. Our approach is evaluated on the public Gleason 2019 datasets. The results show that our approach effectively improves the model's robustness against noisy labels and outperforms state-of-the-art approaches.

연구 동기 및 목표

• 병리 영상 분할에서 다수의 병리학자가 제시하는 일관되지 않은 주석 문제를 해결하기 위해.
• 임상 병리학 데이터셋에서 노이즈가 있고 관찰자 간 변동성이 큰 레이블로 인한 모델 편향을 줄이기 위해.
• 다중 전문가 레이블 통합을 통해 고등급 Gleason 패턴(예: 등급 5)의 분할 강건성과 정확도를 향상시키기 위해.
• 지역 이미지 컨텍스트와 전문가 간 일치도를 기반으로 가중치를 설정하는 신뢰할 수 있고 학습 가능한 메커니즘을 개발하기 위해.
• 공개된 Gleason 2019 벤치마크에서 검증하여 기존 최신 기술 수준의 접근 방식을 능가하는 성능을 입증하기 위해.

제안 방법

• 레이블 재가중 프레임워크는 주변 특징을 기반으로 픽셀 단위의 동적 손실 가중치를 할당하는 가중치 컨볼루션 네트워크를 사용하여 전문가 신뢰도를 반영한다.
• 가우시안 주의력 포칼 손실(GAFL) 모듈은 거칠기를 사전 지식으로 사용하여 주어진 포칼 손실을 재가중하는 히트맵을 생성하며, 중요한 영역을 강조한다.
• 프레임워크는 다수결 공의 손실과 개별 전문가의 가중 손실을 모두 GAFL 히트맵에 의해 조절하여 통합한다.
• 가중치 컨볼루션 네트워크는 분할 네트워크와 함께 엔드 투 엔드로 훈련되며, 불확실하거나 노이즈가 많은 영역에서 손실을 최소화하도록 최적화된다.
• 손실 함수는 훈련 반복 횟수 기반 스케줄에 따라 동적으로 하이퍼파라미터 λ₁ 및 λ₂를 조정한다.
• 모델은 HRNet18 및 HRNet48 백본을 사용하여 Gleason 2019 데이터셋에서 훈련되며, 검증 성능 기반 조기 정지 전략을 적용한다.

실험 결과

연구 질문

• RQ1 전문가 주석이 일관되지 않을 경우, 학습 가능한 레이블 재가중 메커니즘이 분할 성능 향상에 기여할 수 있는가?
• RQ2 손실 함수에 거칠기를 사전 지식으로 통합할 경우, 모델의 주의력과 분할 정확도에 어떤 영향을 미치는가?
• RQ3 제안된 GAFL 및 재가중 모듈이 노이즈가 있는 다중 전문가 레이블이 병리 영상 분할에 악영향을 미치는 데 얼마나 효과적으로 대처할 수 있는가?
• RQ4 이 프레임워크는 다양한 백본 아키텍처에 일반화되어 어려운 Gleason 등급(특히 등급 5)에서 성능 향상을 이룰 수 있는가?
• RQ5 실제 노이즈 있는 레이블링 조건 하에서 공개된 Gleason 2019 벤치마크에서 기존 최신 기술 수준의 모델을 능가할 수 있는가?

주요 결과

• HRNet18를 사용하여 Gleason 2019 테스트 세트에서 평균 Dice 계수 66.21%를 달성하여 이전 SOTA인 PSPNet(55.53%)를 초월한다.
• 레이블 재가중 및 GAFL 모듈을 모두 추가했을 경우, 기준 모델 대비 HRNet18 기준 Gleason 등급 5의 Dice 점수는 29.37% 향상되었고, HRNet48 기준 21.19% 향상되었다.
• GAFL 모듈만 적용했을 경우, HRNet18 기준 Dice 점수는 4.07% 향상되어 핵심 영역에 집중하는 데 강력한 영향을 미친다.
• 레이블 재가중 모듈만 적용했을 경우, HRNet18 기준 성능 향상은 0.36%로, 레이블 노이즈 처리에 있어 점진적이지만 의미 있는 개선을 보여준다.
• 제거 실험 결과, 두 모듈 모두 다양한 백본에서 일관되게 분할 성능 향상을 이끌어내며, 특히 분할이 어려운 영역인 Gleason 등급 5에서 가장 뚜렷한 성과를 보였다.
• 시각화 결과는 제안된 방법이 고등급 악성 종양 영역을 더 정확하고 일관성 있게 구분하는 분할 맵을 생성함을 보여준다.