[논문 리뷰] Self-supervised Tumor Segmentation through Layer Decomposition

Xiaoman Zhang, Weidi Xie외 5명|arXiv (Cornell University)|2021. 09. 07.

AI in cancer detection참고 문헌 71인용 수 4

한 줄 요약

이 논문은 합성 종양 데이터에 대한 층 분해를 활용한 자기지도 학습 종양 세분화 방법을 제안하며, 수선 조정 없이도 실제 의료 영상에서 제로샷 추론을 가능하게 한다. 합성 3차원 볼륨을 정상 조직과 종양 층으로 분해하도록 모델을 훈련시킴으로써, BraTS2018과 LiTS2017에서 최신 기술 수준(SOTA)의 제로샷 성능을 달성하며, 저표본 레이블 환경에서도 뛰어난 일반화 능력과 이식성(transferability)을 보인다.

ABSTRACT

In this paper, we target self-supervised representation learning for zero-shot tumor segmentation. We make the following contributions: First, we advocate a zero-shot setting, where models from pre-training should be directly applicable for the downstream task, without using any manual annotations. Second, we take inspiration from "layer-decomposition", and innovate on the training regime with simulated tumor data. Third, we conduct extensive ablation studies to analyse the critical components in data simulation, and validate the necessity of different proxy tasks. We demonstrate that, with sufficient texture randomization in simulation, model trained on synthetic data can effortlessly generalise to segment real tumor data. Forth, our approach achieves superior results for zero-shot tumor segmentation on different downstream datasets, BraTS2018 for brain tumor segmentation and LiTS2017 for liver tumor segmentation. While evaluating the model transferability for tumor segmentation under a low-annotation regime, the proposed approach also outperforms all existing self-supervised approaches, opening up the usage of self-supervised learning in practical scenarios.

연구 동기 및 목표

• 수동 레이블링 없이 제로샷 종양 세분화를 가능하게 하여 의료 영상 세분화의 높은 레이블링 비용 문제를 해결한다.
• 데이터 시뮬레이션 중 실감나는 질감 랜덤라이제이션을 통해 합성 훈련 데이터와 실제 임상 스캔 간의 도메인 갭을 줄인다.
• 수선 조정 없이 종양 마스크를 직접 예측할 수 있도록 층 분해 기반 자기지도 학습 제도를 개발한다.
• 소수의 레이블 또는 레이블이 전혀 없는 경우에도 사전 훈련된 모델이 실제 종양 세분화 작업으로의 이식성을 강력하게 보여준다.
• 광범위한 추상화 연구를 통해 프록시 작업 및 데이터 시뮬레이션 구성 요소의 필요성과 효과를 검증한다.

제안 방법

• 알파 블렌딩을 사용하여 인위적 종양을 정상 장기 구조에 통합함으로써 합성 3차원 의료 볼륨을 생성하여 실제 종양의 외관을 시뮬레이션한다.
• 합성 입력에서 정상 장기, 종양, 종양 마스크를 재구성하도록 딥 네트워크를 훈련시키며, 층 분해 목표를 사용한다.
• 자기지도 프록시 작업을 재구성 문제로 설정하여 모델이 입력을 조직 및 종양 성분으로 분리하도록 학습한다.
• 데이터 생성 중 질감 랜덤라이제이션을 적용하여 실제 종양 외관으로의 일반화 능력을 향상시키고 도메인 이동을 줄인다.
• 사전 훈련된 모델을 그대로 실제 스캔에 적용하여 수선 조정 없이(제로샷 설정) 종양 마스크를 예측한다.
• 소수의 레이블이 존재할 경우 효율적인 수선 조정을 가능하게 하여, 저자료 환경에서의 강력한 이식성을 입증한다.

실험 결과

연구 질문

• RQ1 합성 종양 데이터에서 훈련된 자기지도 모델이 수선 조정 없이도 실제 종양 세분화에 직접 일반화될 수 있는가?
• RQ2 합성 데이터 생성 중 질감 랜덤라이제이션은 모델의 실제 종양으로의 일반화 능력에 어떤 영향을 미치는가?
• RQ3 다양한 프록시 작업(예: 재구성, 분해)이 최종 종양 세분화 성능에 미치는 영향은 무엇인가?
• RQ4 제로샷 및 저샷 이식성 측면에서 기존 자기지도 접근법과 비교해 본다면, 제안된 방법은 어떻게 다른가?
• RQ5 데이터 시뮬레이션 파이프라인에서 실제 임상 데이터로의 강력한 일반화를 달성하는 데 가장 핵심적인 구성 요소는 무엇인가?

주요 결과

• 제안된 방법은 제로샷 설정에서 BraTS2018의 전체 종양 세분화에서 90.10 ± 0.51의 Dice 스코어를 달성하며, 기존 모든 자기지도 방법을 능가한다.
• LiTS2017에서 제로샷 추론 조건 하에 전체 종양 세분화에서 81.39 ± 0.64의 Dice 스코어를 기록하여 뛰어난 일반화 능력을 입증한다.
• 학습 데이터의 10%만 사용하고 전체 수선 조정을 적용한 경우, BraTS2018의 강화된 종양 세분화에서 99.86 ± 0.01의 Dice 스코어를 달성하며 SOTA를 초월한다.
• 추상화 연구를 통해 합성 데이터에서 충분한 질감 랜덤라이제이션은 일반화에 필수적임을 확인하였으며, 도메인 이동을 감소시키고 강건성을 향상시킨다.
• 기존 기준 대비 런에 대한 표준편차가 낮아, 자기지도 제도에서 더 높은 훈련 안정성과 강건성을 보여준다.
• 수선 조정 없이도 데이터 증강 없이 완전히 새로운 학습에서의 지도 학습보다 성능이 뛰어나, 자기지도 사전 훈련의 효과를 입증한다.