[논문 리뷰] Semi-supervised Segmentation via Uncertainty Rectified Pyramid Consistency and Its Application to Gross Target Volume of Nasopharyngeal Carcinoma.

Xiangde Luo, Wenjun Liao외 5명|arXiv (Cornell University)|2020. 12. 13.

Head and Neck Cancer Studies인용 수 1

한 줄 요약

이 논문은 난치성 뇌경색성 암(NPC)의 반자동 거대표면체(GTV) 분할을 위해 20%의 레이블된 데이터만을 사용하는 준지도 학습 프레임워크인 불확실성 보정 피라미드 일致성(URPC)을 제안한다. 다중 척도 피라미드 예측과 불확실성 인식 일치 정규화를 활용하여, 분할 정확도를 향상시켜 258개의 볼륨으로 구성된 NPC 데이터셋에서 평균 DSC 81.22%와 평균 표면 거리(ASD) 1.88 박자로 성능을 달성한다.

ABSTRACT

Gross Target Volume (GTV) segmentation plays an irreplaceable role in radiotherapy planning for Nasopharyngeal Carcinoma (NPC). Despite that convolutional neural networks (CNN) have achieved good performance for this task, they rely on a large set of labeled images for training, which is expensive and time-consuming to acquire. Recently, semi-supervised methods that learn from a small set of labeled images with a large set of unlabeled images have shown potential for dealing with this problem, but it is still challenging to train a high-performance model with the limited number of labeled data. In this paper, we propose a novel framework with Uncertainty Rectified Pyramid Consistency (URPC) regularization for semi-supervised NPC GTV segmentation. Concretely, we extend a backbone segmentation network to produce pyramid predictions at different scales, the pyramid predictions network (PPNet) was supervised by the ground truth of labeled images and a multi-scale consistency loss for unlabeled images, motivated by the fact that prediction at different scales for the same input should be similar and consistent. However, due to the different resolution of these predictions, encouraging them to be consistent at each pixel directly is not robust and may bring much noise and lead to a performance drop. To deal with this dilemma, we further design a novel uncertainty rectifying module to enable the framework to gradually learn from meaningful and reliable consensual regions at different scales. Extensive experiments on our collected NPC dataset with 258 volumes show that our method can largely improve performance by incorporating the unlabeled data, and this framework achieves a promising result compared with existing semi-supervised methods, which achieves 81.22% of mean DSC and 1.88 voxels of mean ASD on the test set, where the only 20% of the training set were annotated.

연구 동기 및 목표

• GTV 분할을 위한 대량의 NPC MRI 스캔을 레이블링하는 데 드는 높은 비용과 노동 집약적인 과정을 해결하기 위해.
• 제한된 레이블된 데이터에서 의료 영상 분할의 준지도 학습 성능을 향상시키기 위해.
• 다양한 특징 피라미드 수준 간의 일관성 없는 예측으로 인한 노이즈를 줄이는 강력한 다중 척도 일致성 정규화를 개발하기 위해.
• 불확실성 추정을 통해 신뢰할 수 있는 일致성 있는 영역을 선택적으로 학습함으로써 모델 일반화 능력을 향상시키기 위해.

제안 방법

• 공유 백본 네트워크에서 다중 척도 분할 출력을 생성하기 위해 피라미드 예측 네트워크(PPNet)를 설계하였다.
• 레이블된 이미지에서는 지도 학습을, 언레이블된 이미지에서는 다중 척도 일치 손실을 적용하여 다양한 척도 수준 간의 일치를 강제로 유도하였다.
• 예측 신뢰도에 기반해 일치 손실의 가중치를 동적으로 조정하는 불확실성 보정 모듈을 도입하여, 신뢰도가 낮은 영역에서 유발되는 노이즈를 감소시켰다.
• 불확실성 모듈은 공간적 위치와 척도별로 불확실성을 추정하여, 훈련 중에 높은 신뢰도의 일치 영역에 집중할 수 있도록 하였다.
• U-Net 기반 백본에 불확실성 인식 일치 정규화를 통합하여, 레이블된 데이터와 언레이블된 데이터를 동시에 사용하는 엔드 투 엔드 훈련을 가능하게 하였다.
• 신뢰할 수 있고 일치하는 영역을 척도 간에 강조함으로써 예측을 점진적으로 정밀화함으로써, 강인성과 성능을 향상시켰다.

실험 결과

연구 질문

• RQ1 일치 정규화와 결합된 다중 척도 피라미드 예측이 NPC에서 준지도 학습 GTV 분할 성능을 향상시킬 수 있는가?
• RQ2 불확실성 추정은 다중 척도 준지도 학습에서 일치 손실의 강인성을 어떻게 향상시킬 수 있는가?
• RQ3 20% 미만의 훈련 데이터에 레이블이 부여된 경우, 언레이블된 데이터가 분할 성능 향상에 얼마나 기여하는가?
• RQ4 불확실성 보정이 척도 수준 간의 노이즈 또는 일관성 없는 예측을 효과적으로 억제하는가?
• RQ5 제안된 URPC 프레임워크는 NPC GTV 분할에서 기존 준지도 학습 방법 대비 DSC 및 ASD 측정치에서 어떻게 비교되는가?

주요 결과

• 제안된 URPC 프레임워크는 테스트 세트에서 평균 DSC 81.22%를 달성하여, 레이블된 데이터가 20%에 불과한 상황에서도 뛰어난 성능을 보였다.
• 평균 표면 거리(ASD)가 1.88 박자로 감소하여, GTV 경계 설정의 높은 공간 정확도를 나타냈다.
• 언레이블된 데이터를 통합함으로써 분할 성능이 뚜렷이 향상되었으며, 이는 준지도 학습 전략의 효과성을 입증하였다.
• 불확실성 보정 모듈이 일관성 없는 예측에서 발생하는 노이즈를 효과적으로 억제하여, 더 안정적이고 신뢰할 수 있는 훈련을 가능하게 하였다.
• 동일한 NPC 데이터셋에서 기존 준지도 학습 방법보다 프레임워크가 뛰어난 성능을 보였으며, 낮은 데이터 환경에서의 우수성을 확인하였다.
• 제거 실험 결과, 피라미드 일치성과 불확실성 보정 구성 요소가 최적 성능을 내기 위해 필수적임을 확인하였다.