[논문 리뷰] SSASS: Semi-Supervised Approach for Stenosis Segmentation

In Kyu Lee, Junsup Shin외 3명|arXiv (Cornell University)|2023. 11. 17.

Cardiac Imaging and Diagnostics인용 수 4

한 줄 요약

이 논문은 사영 데이터 증강과 의사 레이블링을 활용한 반감독 학습 프레임워크인 SSASS를 제안한다. X-레이 혈관 조영 영상에서 관상동맥 협착을 세분화하기 위해 개발되었다. 비라벨링된 혈관 영상 데이터를 활용해 고품질의 의사 레이블을 생성하고, 앙상블을 사용하지 않고 단일 YOLOv8m 모델을 훈련시킴으로써, ARCADE 챌린지 테스트 세트에서 평균 F1 스코어 0.536을 달성하였다. 이는 완전히 라벨링된 기준 모델을 능가하며 최고 성능을 기록한 바 있다.

ABSTRACT

Coronary artery stenosis is a critical health risk, and its precise identification in Coronary Angiography (CAG) can significantly aid medical practitioners in accurately evaluating the severity of a patient's condition. The complexity of coronary artery structures combined with the inherent noise in X-ray images poses a considerable challenge to this task. To tackle these obstacles, we introduce a semi-supervised approach for cardiovascular stenosis segmentation. Our strategy begins with data augmentation, specifically tailored to replicate the structural characteristics of coronary arteries. We then apply a pseudo-label-based semi-supervised learning technique that leverages the data generated through our augmentation process. Impressively, our approach demonstrated an exceptional performance in the Automatic Region-based Coronary Artery Disease diagnostics using x-ray angiography imagEs (ARCADE) Stenosis Detection Algorithm challenge by utilizing a single model instead of relying on an ensemble of multiple models. This success emphasizes our method's capability and efficiency in providing an automated solution for accurately assessing stenosis severity from medical imaging data.

연구 동기 및 목표

• 관상동맥 협착 세분화 분야에서 라벨링된 의료 데이터가 제한적인 문제를 반감독 학습을 통해 해결하고자 한다.
• 관상동맥 해부학적 구조에 맞춘 데이터 증강 기법을 활용해 모델의 일반화 능력과 강건성을 향상시키고자 한다.
• 모델 앙상블에 의존하지 않고도 높은 성능을 달성하여 추론 속도와 메모리 효율성을 최적화하고자 한다.
• 임상적 X-레이 혈관 조영 영상에서 정량적 협착 평가를 위한 확장 가능하고 효율적이며 정확한 자동화된 솔루션을 개발하고자 한다.

제안 방법

• 3D 관상동맥 구조를 시뮬레이션하고 훈련 데이터의 다양성을 높이기 위해 사영 변환(아핀, 투시, 회전, 스케일링, 시어)을 데이터 증강 기법으로 활용하였다.
• 사전 학습된 YOLOv8m 모델을 사용해 비라벨링된 혈관 세분화 데이터셋에서 의사 레이블을 생성하는 의사 레이블 기반 반감독 학습 전략을 적용하였다.
• 원래의 협착 라벨이 부여된 데이터셋과 의사 레이블이 부여된 혈관 데이터셋을 결합하여 최종적으로 단일 YOLOv8m 모델을 훈련시켰으며, 앙상블을 피하기 위해 이를 구현하였다.
• 의사 레이블 품질 제어 및 과적합 방지를 위해 신뢰도 임계값과 데이터 증강 하이퍼파라미터(예: 확률, 범위)를 설정하였다.
• 데이터 다양성과 레이블 품질의 균형을 맞추기 위해 훈련을 최적화하였으며, 성능이 떨어지는 소프트 레이블이나 복잡한 사전 학습 전략을 회피하였다.
• 실시간 추론이 가능한 효율성과 뛰어난 성능을 보이는 특성으로 YOLOv8m를 백본 모델로 선택하였다.

실험 결과

연구 질문

• RQ1 관상동맥 해부학에 맞춘 사영 데이터 증강 기법이 협착 세분화에서 일반화 능력을 향상시킬 수 있는가?
• RQ2 추가 라벨링이 필요 없이 비라벨링된 조영 영상에 대한 의사 레이블링이 모델 성능 향상에 기여하는가?
• RQ3 단일 딥러닝 모델이 앙상블 방법을 초월하여 협착 탐지에서 높은 추론 효율성을 유지하면서도 뛰어난 성능을 낼 수 있는가?
• RQ4 의사 레이블이 부여된 데이터의 통합이 실제 임상 챌린지에서 협착 세분화의 F1 스코어와 강건성에 어떤 영향을 미치는가?

주요 결과

• 반감독 모델은 ARCADE 테스트 세트에서 평균 F1 스코어 0.536을 기록하였으며, 이는 완전히 라벨링된 YOLOv8m 기준 모델(0.520)을 능가한 성과이다.
• 성능 향상은 의사 레이블이 부여된 혈관 영상 덕분에 더 다양하고 대표성이 높은 데이터셋에 노출된 결과로 기인한다.
• 어떤 경우에서는 낮은 품질의 의사 레이블이 존재했음에도 불구하고, 반감독 접근법은 협착 영역의 탐지 능력이 뛰어나 false negative를 감소시켰다.
• 모델 앙상블을 사용하지 않음에도 불구하고 ARCADE 협착 탐지 알고리즘 챌린지에서 최고 성능을 기록하여, 이 방법의 효율성과 확장 가능성을 입증하였다.
• 예를 들어, 라벨링된 데이터와 의사 레이블이 부여된 데이터를 함께 훈련시키는 단순한 전략이, 사전 학습이나 소프트 레이블 사용과 같은 복잡한 대안들보다 성능이 뛰어났다.
• 의사 레이블링에 대한 신뢰도 임계값을 낮추면 훈련 속도는 빨라지지만 과적합이 증가하여 전체 성능이 저하되었다.