[논문 리뷰] Self-Training Based Unsupervised Cross-Modality Domain Adaptation for Vestibular Schwannoma and Cochlea Segmentation

Hyungseob Shin, Hyeongyu Kim외 4명|arXiv (Cornell University)|2021. 09. 22.

Ultrasonics and Acoustic Wave Propagation참고 문헌 7인용 수 4

한 줄 요약

이 논문은 높은 해상도의 T2-강조 MRI 스캔에서 청신경종과 고리관을 분할하기 위해 T1-강조 MRI 애너테이션만을 사용하여, 자기학습 기반의 비지도 다중 모odal 도메인 적응 프레임워크를 제안한다. 대trast 변환, 가짜 레이블링, 실제 및 생성된 T2 스캔에서의 공동 학습을 통해, 이 방법은 CrossMoDA2021 챌린지에서 최고 성능을 기록하였으며, VS에 대해 평균 Dice 스코어 0.8570, 고리관에 대해 0.8446을 달성하였다.

ABSTRACT

With the advances of deep learning, many medical image segmentation studies achieve human-level performance when in fully supervised condition. However, it is extremely expensive to acquire annotation on every data in medical fields, especially on magnetic resonance images (MRI) that comprise many different contrasts. Unsupervised methods can alleviate this problem; however, the performance drop is inevitable compared to fully supervised methods. In this work, we propose a self-training based unsupervised-learning framework that performs automatic segmentation of Vestibular Schwannoma (VS) and cochlea on high-resolution T2 scans. Our method consists of 4 main stages: 1) VS-preserving contrast conversion from contrast-enhanced T1 scan to high-resolution T2 scan, 2) training segmentation on generated T2 scans with annotations on T1 scans, and 3) Inferring pseudo-labels on non-annotated real T2 scans, and 4) boosting the generalizability of VS and cochlea segmentation by training with combined data (i.e., real T2 scans with pseudo-labels and generated T2 scans with true annotations). Our method showed mean Dice score and Average Symmetric Surface Distance (ASSD) of 0.8570 (0.0705) and 0.4970 (0.3391) for VS, 0.8446 (0.0211) and 0.1513 (0.0314) for Cochlea on CrossMoDA2021 challenge validation phase leaderboard, outperforming most other approaches.

연구 동기 및 목표

• 의료 영상에서 다중 대비 MRI 데이터의 애너테이션 비용이 높다는 문제를 해결하기 위해.
• T2-강조 MRI에서 T2 애너테이션이 전혀 필요 없이 청신경종과 고리관의 정확한 분할을 가능하게 하기 위해.
• 비지도 도메인 적응을 통해 T1 및 T2 MRI 모odal 간의 도메인 이탈을 줄이기 위해.
• 실제 T2 스캔과 가짜 레이블 데이터, 생성된 T2 스캔과 진짜 애너테이션을 결합하여 일반화 능력을 향상시키기 위해.
• 자기학습을 통해 자원이 제한된 애너테이션 환경에서도 높은 분할 성능를 달성하기 위해.

제안 방법

• 대trast 유지 이미지 번역 네트워크가 대비 향상된 T1-강조 MRI를 합성된 고해상도 T2-강조 MRI로 변환한다.
• 분할 네트워크는 T1 스캔 애너테이션을 사용하여 생성된 T2 스캔에서 먼저 학습된다.
• 학습된 분할 모델을 사용하여 실제 애너테이션이 없는 T2 스캔에서 가짜 레이블을 예측한다.
• 실제 T2 스캔에 대한 가짜 레이블과 생성된 T2 스캔에 대한 진짜 레이블이 결합된 데이터셋을 기반으로 분할 모델을 미세 조정한다.
• 자기학습을 반복적으로 적용하여 T1 및 T2 모달 간의 도메인 이탈을 줄이고 모델의 강건성을 향상시킨다.
• 이미지 번역 과정에서 사이클 일관성과 적대적 손실을 활용하여 해부학적 구조를 유지한다.

실험 결과

연구 질문

• RQ1 자기학습이 의료 영상 분할에서 T1과 T2 MRI 간의 도메인 이탈을 효과적으로 줄일 수 있는가?
• RQ2 T2 애너테이션이 전혀 없는 상황에서 T1 애너테이션으로 학습된 모델이 T2 스캔으로 일반화되는 정도는 어느 정도인가?
• RQ3 실제 T2 스캔에 대한 가짜 레이블링이 합성 T2 데이터와 함께 사용될 경우 분할 성능가 향상되는가?
• RQ4 실제 및 생성된 T2 스캔에서의 공동 학습이 모델의 일반화 능력과 강건성을 향상시키는가?
• RQ5 이 방법은 CrossMoDA2021 벤치마크에서 기존의 비지도 도메인 적응 방법과 비교해 어떤 성능을 보이는가?

주요 결과

• 모델은 CrossMoDA2021 검증 세트에서 청신경종 분할에 대해 평균 Dice 스코어 0.8570 (±0.0705)를 달성하였다.
• 고리관 분할에 대해 평균 Dice 스코어 0.8446 (±0.0211)를 기록하였으며, 대부분의 경쟁 방법을 능가하였다.
• 청신경종에 대한 평균 대칭 표면 거리 (ASSD)는 0.4970 (±0.3391)였으며, 높은 분할 정확도를 나타냈다.
• 고리관에 대한 ASSD는 0.1513 (±0.0314)였으며, 정밀한 경계 국소화를 반영하였다.
• CrossMoDA2021 챌린지에서 대부분의 다른 참가자들보다 뛰어난 성능를 보이며 최고 수준의 성능를 입증하였다.
• 합성 데이터와 가짜 레이블링의 조합이 T2 애너테이션이 없는 환경에서 일반화 능력을 크게 향상시켰다.