[논문 리뷰] Semi-supervised learning towards automated segmentation of PET images with limited annotations: Application to lymphoma patients

Fereshteh Yousefirizi, Isaac Shiri외 10명|arXiv (Cornell University)|2022. 12. 19.

Medical Imaging Techniques and Applications인용 수 4

한 줄 요약

이 연구는 최소한의 전문가 주석이 필요한 림프종 환자에서 PET 영상 분할을 자동화하기 위해 퍼지 c-의미 (FCM) 및 문마프-샤흐 (MS) 손실 함수를 사용한 준지도 학습 3D U-Net 프레임워크를 제안한다. 최고의 성능을 보인 방법은 α=0.3일 때 RFCM+α×LFCM로, 딱시 점수 0.69 ± 0.03을 기록했으며, 이는 지도 학습 및 다른 준지도 학습 접근 방식을 모두 능가했고, 임상 워크플로우에서 수동 분할 작업을 줄이는 데 있어 뚜렷한 잠재력을 보여주었다.

ABSTRACT

The time-consuming task of manual segmentation challenges routine systematic quantification of disease burden. Convolutional neural networks (CNNs) hold significant promise to reliably identify locations and boundaries of tumors from PET scans. We aimed to leverage the need for annotated data via semi-supervised approaches, with application to PET images of diffuse large B-cell lymphoma (DLBCL) and primary mediastinal large B-cell lymphoma (PMBCL). We analyzed 18F-FDG PET images of 292 patients with PMBCL (n=104) and DLBCL (n=188) (n=232 for training and validation, and n=60 for external testing). We employed FCM and MS losses for training a 3D U-Net with different levels of supervision: i) fully supervised methods with labeled FCM (LFCM) as well as Unified focal and Dice loss functions, ii) unsupervised methods with Robust FCM (RFCM) and Mumford-Shah (MS) loss functions, and iii) Semi-supervised methods based on FCM (RFCM+LFCM), as well as MS loss in combination with supervised Dice loss (MS+Dice). Unified loss function yielded higher Dice score (mean +/- standard deviation (SD)) (0.73 +/- 0.03; 95% CI, 0.67-0.8) compared to Dice loss (p-value<0.01). Semi-supervised (RFCM+alpha*LFCM) with alpha=0.3 showed the best performance, with a Dice score of 0.69 +/- 0.03 (95% CI, 0.45-0.77) outperforming (MS+alpha*Dice) for any supervision level (any alpha) (p<0.01). The best performer among (MS+alpha*Dice) semi-supervised approaches with alpha=0.2 showed a Dice score of 0.60 +/- 0.08 (95% CI, 0.44-0.76) compared to another supervision level in this semi-supervised approach (p<0.01). Semi-supervised learning via FCM loss (RFCM+alpha*LFCM) showed improved performance compared to supervised approaches. Considering the time-consuming nature of expert manual delineations and intra-observer variabilities, semi-supervised approaches have significant potential for automated segmentation workflows.

연구 동기 및 목표

• 림프종 환자에서 18F-FDG PET 스캔의 종양 수동 분할이 시간이 많이 들고 변동성이 크다는 문제를 해결하기 위해.
• 의료 영상 분할에서 준지도 학습을 활용하여 광범위한 전문가 주석 데이터에 의존도를 줄이기 위해.
• 다양한 지도 수준에서 FCM, MS 및 통합 포칼/딱시 손실 함수의 성능을 평가하고 비교하기 위해.
• 제한된 레이블 데이터로 최대한의 분할 정확도를 달성하는 최적의 준지도 설정을 규명하기 위해.
• 확산성 대세포 림프종(DLBCL) 및 원발성 경부중격 림프종(PMBCL)에 적용 가능한 견고한 자동 분할 파이프라인을 개발하기 위해.

제안 방법

• 준지도 학습을 가능하게 하기 위해 레이블이 지정된 데이터와 의사 레이블 데이터의 조합을 사용하여 3D U-Net 아키텍처를 학습시켰다.
• 이미지 특징의 클러스터링을 이끌기 위해 비지도 손실 함수로 퍼지 c-의미(FCM) 및 강력한 FCM(RFCM)를 사용했다.
• 분할 경계의 조각별 연속성(piecewise smoothness)을 강제하기 위해 문마프-샤흐(MS) 손실 함수를 적용했다.
• 훈련 안정성과 분할 성능 향상을 위해 포칼 손실과 딱시 손실을 통합한 손실 함수를 사용했다.
• RFCM에 지도 학습 딱시 손실을 결합한 준지도 학습(RFCM + α×LFCM)과 MS에 딱시 손실을 결합한 방법(MS + α×Dice)을 사용했으며, 초수치 α는 지도 학습의 균형을 조절했다.
• 모델 성능은 DLBCL 및 PMBCL 환자 총 292명에서 유래한 외부 테스트 케이스 60건을 대상으로 평가되었으며, 주요 평가 지표로 딱시 점수를 사용했다.

실험 결과

연구 질문

• RQ1 레이블이 제한된 상황에서 FCM 및 MS 손실 함수를 활용한 준지도 학습이 PET 영상 분할 정확도를 뚜렷이 향상시킬 수 있는가?
• RQ2 강력한 FCM(RFCM)를 지도 학습 손실 함수와 통합한 방법이 순수 지도 학습 또는 비지도 학습 방법보다 우월한가?
• RQ3 최대 분할 성능을 달성하기 위해 지도 학습과 비지도 학습 손실 성분 간의 최적 균형(초수치 α를 통해 제어)은 무엇인가?
• RQ4 통합 포칼 및 딱시 손실 함수가 준지도 환경에서 표준 딱시 손실 함수를 능가하는가?
• RQ5 제안된 방법은 임상적 림프종 PET 영상에서 관찰자 간 변동성과 수동 윤곽 설정 시간을 줄일 수 있는가?

주요 결과

• 통합 포칼 및 딱시 손실 함수는 표준 딱시 손실(0.73 ± 0.03)보다 높은 딱시 점수를 기록했으며(p < 0.01), 이는 훈련 안정성과 성능 향상을 시사한다.
• RFCM + 0.3×LFCM를 사용한 준지도 학습 방법이 전체적으로 최고의 성능을 보였으며, 딱시 점수 0.69 ± 0.03(95% CI: 0.45–0.77)를 기록했고, 다른 모든 설정보다 유의미하게 뛰어났다(p < 0.01).
• MS + 0.2×Dice 준지도 학습 방법은 딱시 점수 0.60 ± 0.08(95% CI: 0.44–0.76)를 기록했으며, 모든 α 값에서 RFCM+LFCM에 비해 열등했다(p < 0.01).
• RFCM와 레이블 데이터를 함께 사용한 준지도 학습 방법이 완전히 지도 학습 방법을 능가했으며, 이는 데이터가 적은 환경에서 의사 레이블링의 가치를 입증한다.
• 제안된 방법은 전문가 주석 데이터 의존도를 크게 줄이며 높은 분할 정확도를 유지함으로써 임상 적용 가능성에서 뚜렷한 잠재력을 보여준다.
• 결과는 강력한 비지도 클러스터링(RFCM)과 지도 학습 손실 함수를 조합하는 것이 종양 분할을 위한 온콜로지 PET 영상에서 유망한 전략임을 시사한다.