[논문 리뷰] Pseudo-Label Guided Multi-Contrast Generalization for Non-Contrast Organ-Aware Segmentation

Ho Hin Lee, Yucheng Tang외 8명|arXiv (Cornell University)|2022. 05. 12.

Advanced X-ray and CT Imaging인용 수 4

한 줄 요약

이 논문은 생성적 적대적 네트워크를 피하기 위해 쌍체의 대조 강화 CT(CECT) 문맥을 교사 지도로 활용하여 비대조 CT(NCCT) 장기 분할을 위한 가짜 레이블 유도 비지도 학습 방법을 제안한다. 강도 상관관계 모델링을 통해 장기 인식 경계 검출을 향상시키며, 최신 기술 수준(SOTA)의 성능을 달성한다. 내부 다장기 분할 벤치마크에서 +3.98% Dice, 외부 대동맥 분할 벤치마크에서 +8.00% Dice를 기록한다.

ABSTRACT

Non-contrast computed tomography (NCCT) is commonly acquired for lung cancer screening, assessment of general abdominal pain or suspected renal stones, trauma evaluation, and many other indications. However, the absence of contrast limits distinguishing organ in-between boundaries. In this paper, we propose a novel unsupervised approach that leverages pairwise contrast-enhanced CT (CECT) context to compute non-contrast segmentation without ground-truth label. Unlike generative adversarial approaches, we compute the pairwise morphological context with CECT to provide teacher guidance instead of generating fake anatomical context. Additionally, we further augment the intensity correlations in 'organ-specific' settings and increase the sensitivity to organ-aware boundary. We validate our approach on multi-organ segmentation with paired non-contrast & contrast-enhanced CT scans using five-fold cross-validation. Full external validations are performed on an independent non-contrast cohort for aorta segmentation. Compared with current abdominal organs segmentation state-of-the-art in fully supervised setting, our proposed pipeline achieves a significantly higher Dice by 3.98% (internal multi-organ annotated), and 8.00% (external aorta annotated) for abdominal organs segmentation. The code and pretrained models are publicly available at https://github.com/MASILab/ContrastMix.

연구 동기 및 목표

• 대조 강화가 없는 이유로 비대조 CT(NCCT) 스캔에서 장기 경계의 모호함 문제를 해결하기 위해.
• 비용이 많이 드는 인간 레이블링이 필요한 진정한 레이블이 없이도 NCCT에서 정확한 장기 분할을 가능하게 하기 위해.
• 다중 대비 문맥 모델링을 통해 장기 특이적 해부학적 경계에 대한 민감도를 향상시키기 위해.
• 쌍체 CECT 스캔에서의 지식을 NCCT 분할로 전이하는 일반화 가능한 비지도 프레임워크를 개발하기 위해.
• 내부 다장기 및 외부 독립적인 대동맥 분할 코hort에서의 성능을 검증하기 위해.

제안 방법

• 쌍체 NCCT 및 CECT 스캔을 사용하여 형태학적 문맥을 계산하여 가짜 레이블 가이던스로 활용함으로써 생성적 적대적 학습을 대체함.
• 쌍체 CECT 스캔을 활용하여 NCCT 분할을 비지도 방식으로 유도하는 구조적 문맥을 추출함.
• 장기 특이적 영역 내에서 강도 상관관계 학습을 향상시켜 경계 민감도를 향상시킴.
• 대비 유형 간 공간적 및 강도적 관계를 모델링하여 다중 대비 일반화를 구현함.
• CECT에서 유도된 가짜 레이블이 NCCT 학생 네트워크의 교사 신호로 작용하는 자기지도 학습 파이프라인을 적용함.
• 정확도 평가를 위해 오차 없는 외부 검증과 다섯 번의 교차 검증을 수행함.

실험 결과

연구 질문

• RQ1 지식 기반 진정한 레이블이 없는 비지도 NCCT 장기 분할을 위해 다중 대비 CECT 문맥을 효과적으로 활용할 수 있는가?
• RQ2 쌍체 CECT에서 유도된 가짜 레이블 가이던스가 생성적 적대적 접근에 비해 장기 경계 유지에 얼마나 효과적인가?
• RQ3 장기 특이적 강도 상관관계 모델링이 NCCT에서의 분할 정확도 향상에 어느 정도 기여하는가?
• RQ4 제안된 방법이 어려운 구조인 대동맥에 대해 독립적인 외부 NCCT 코hort로 일반화되는가?
• RQ5 완전히 비지도 설정에서 NCCT 장기 분할 성능을 최신 기술 수준으로 달성할 수 있는가?

주요 결과

• 현재 최신 기술 수준의 지도 학습 설정에서 내부 다장기 분할 벤치마크에서 3.98% 높은 Dice 스코어를 달성한다.
• 독립적인 외부 대동맥 분할 코hort에서 현재 SOTA보다 8.00% 높은 Dice 스코어를 기록한다.
• 검증을 위한 완전한 외부 테스트를 통해 예상치 못한 NCCT 스캔으로의 강력한 일반화 성능을 입증한다.
• CECT에서 유도된 형태학적 문맥을 가짜 레이블로 사용할 경우 생성적 적대적 학습에 비해 경계 유지에서 뛰어난 성능을 보인다.
• 장기 특이적 영역에서 강도 상관관계를 모델링함으로써 장기 인식 표현을 효과적으로 학습한다.
• 코드와 사전 학습 모델을 공개하여 재현 가능성과 향후 연구를 지원한다.