[논문 리뷰] Semi-supervised Medical Image Segmentation via Geometry-aware Consistency Training

Zihang Liu, Chunhui Zhao|arXiv (Cornell University)|2022. 02. 12.

Medical Imaging and Analysis인용 수 5

한 줄 요약

이 논문은 왼쪽 심방 벤치마크에서 레이블이 10%인 경우 완전히 감독받는 모델보다 8.7% 높은 Dice 점수를 달성하는, 반감독 의료 영상 분할을 위한 기하학적 인식 일致 훈련 프레임워크를 제안한다. 경계 영역에서 모델의 강건성을 향상시키기 위해 기하 제약 조건과 이중 시각 특징 학습을 활용한다. 경계 영역을 지수 가중 전략으로 강조하고, 불확실성을 줄이기 위해 이중 시각 네트워크를 사용함으로써, 모델은 어려운 분할 영역에서 더 나은 성능을 발휘한다.

ABSTRACT

The performance of supervised deep learning methods for medical image segmentation is often limited by the scarcity of labeled data. As a promising research direction, semi-supervised learning addresses this dilemma by leveraging unlabeled data information to assist the learning process. In this paper, a novel geometry-aware semi-supervised learning framework is proposed for medical image segmentation, which is a consistency-based method. Considering that the hard-to-segment regions are mainly located around the object boundary, we introduce an auxiliary prediction task to learn the global geometric information. Based on the geometric constraint, the ambiguous boundary regions are emphasized through an exponentially weighted strategy for the model training to better exploit both labeled and unlabeled data. In addition, a dual-view network is designed to perform segmentation from different perspectives and reduce the prediction uncertainty. The proposed method is evaluated on the public left atrium benchmark dataset and improves fully supervised method by 8.7% in Dice with 10% labeled images, while 4.3% with 20% labeled images. Meanwhile, our framework outperforms six state-of-the-art semi-supervised segmentation methods.

연구 동기 및 목표

• 딥 러닝 기반 분할에서(annotation이 부족한) 의료 영상의 도전 과제를 해결하기 위해.
• 반감독 설정에서 비라벨 데이터를 효과적으로 활용하여 모델 일반화 능력을 향상시키기 위해.
• 기하학적 사전 지식을 통해 모호한 경계 영역의 분할 정확도를 향상시키기 위해.
• 이중 시각 네트워크 아키텍처를 통해 예측 불확실성을 줄이기 위해.
• 의료 영상 분할 벤치마크에서 기존 최고 수준의 반감독 방법을 능가하기 위해.

제안 방법

• 라벨이 있는 데이터와 비라벨 데이터에서 전역적인 형태와 경계 구조를 학습하기 위해 보조 기하 예측 헤드를 도입한다.
• 훈련 중 경계 영역을 강조하기 위해 지수 가중 손실 전략을 적용하여 인식하기 어려운 구조의 분할 성능을 향상시킨다.
• 두 가지 다른 데이터 증강을 통해 예측을 생성함으로써 일관성과 불확실성 감소를 강화하는 이중 시각 네트워크를 활용한다.
• 동일한 입력에 대해 다양한 증강에서의 예측 간 일치를 장려하는 일관성 기반 훈련 목표를 구현한다.
• 예측된 분할 맵에서 유도된 기하 제약 조건을 활용해 공간적 구조 학습을 안내하고 경계 정렬을 향상시킨다.
• 라벨이 있는 데이터에 대한 감독 손실과 비라벨 데이터에 대한 일관성 손실을 결합하여 두 목표를 동시에 최적화한다.

실험 결과

연구 질문

• RQ1 기하학적 사전 지식은 애매하게 표시되는 경계 영역에서 분할 성능 향상에 기여할 수 있는가?
• RQ2 기하학적 인식 감독을 통한 일관성 훈련은 라벨이 제한된 경우 모델 일반화 능력을 어떻게 향상시키는가?
• RQ3 이중 시각 네트워크는 반감독 의료 영상 분할에서 예측 불확실성을 어느 정도 감소시킬 수 있는가?
• RQ4 기하학적 구조를 통합하면 낮은 데이터 환경에서 표준 일관성 훈련보다 더 나은 성능을 내는가?
• RQ5 제안된 방법은 의료 영상 분할 벤치마크에서 기존 최고 수준의 반감독 분할 접근법과 비교해 어떻게 성능을 냈는가?

주요 결과

• 왼쪽 심방 데이터셋에서 훈련 데이터의 10%만 레이블이 있을 경우, 완전히 감독받는 모델보다 8.7% 높은 Dice 점수를 달성한다.
• 20% 레이블 데이터를 사용할 경우, 여전히 완전히 감독받는 기준 모델보다 Dice 점수에서 4.3% 향상된다.
• 제안된 프레임워크는 벤치마크 데이터셋에서 여섯 가지 최고 수준의 반감독 분할 방법을 모두 능가한다.
• 기하학적 인식 일관성 훈련은 경계 영역의 불확실성을 효과적으로 줄여 더 정밀한 분할을 가능하게 한다.
• 이중 시각 네트워크 설계는 다양한 증강에 걸쳐 예측의 일관성과 강건성을 향상시킨다.
• 경계 강조를 위한 지수 가중 전략은 인식하기 어려운 구조에서 성능 향상에 크게 기여한다.