[논문 리뷰] Suggestive Annotation of Brain Tumour Images with Gradient-guided Sampling

Chengliang Dai, Shuo Wang외 5명|arXiv (Cornell University)|2020. 06. 26.

Brain Tumor Detection and Classification참고 문헌 21인용 수 5

한 줄 요약

이 논문은 변분 오토에인코더(VAE)를 통해 학습된 데이터 다양체에 손실 기울기를 투영하여 인간 주석을 위한 가장 정보량이 많은 뇌종양 MRI 단면을 선택하는 기울기 유도 제안 주석 프레임워크를 제안한다. 제안된 방법에 의해 추천된 환자 볼륨의 19% 또는 영상 단면의 7%만으로도 BraTS 2019 전체 데이터셋을 사용해 훈련한 모델과 유사한 딱도 점수를 달성하여 주석 비용을 크게 줄이면서도 높은 성능을 유지한다.

ABSTRACT

Machine learning has been widely adopted for medical image analysis in recent years given its promising performance in image segmentation and classification tasks. As a data-driven science, the success of machine learning, in particular supervised learning, largely depends on the availability of manually annotated datasets. For medical imaging applications, such annotated datasets are not easy to acquire. It takes a substantial amount of time and resource to curate an annotated medical image set. In this paper, we propose an efficient annotation framework for brain tumour images that is able to suggest informative sample images for human experts to annotate. Our experiments show that training a segmentation model with only 19% suggestively annotated patient scans from BraTS 2019 dataset can achieve a comparable performance to training a model on the full dataset for whole tumour segmentation task. It demonstrates a promising way to save manual annotation cost and improve data efficiency in medical imaging applications.

연구 동기 및 목표

• 전문가 검토를 위한 가장 정보량이 많은 샘플을 식별하여 의료 영상 세그멘테이션에서 수동 주석의 높은 비용과 시간 부담을 줄이기 위해.
• 최소한의 전문가 주석 데이터를 사용하여 뇌종양 세그멘테이션을 위한 딥 러닝 모델의 데이터 효율성을 향상시키기 위해.
• 모델 손실의 기울기 정보가 의료 영상 주석에서 효과적이고 대표적인 샘플 선택을 유도할 수 있는지 조사하기 위해.
• 3D 볼륨 영상 데이터에서 주석 효율성을 최적화하기 위해 환자 수준과 영상 수준의 제안 전략을 비교하기 위해.
• 학습부터 시작하는 것과 전이 학습 시나리오에서 제안된 방법의 성능을 무작위 샘플링 및 옥타브 기준선과 비교 평가하기 위해.

제안 방법

• 비주석화된 뇌종양 MRI 데이터에 대해 변분 오토에인코더(VAE)를 훈련시어 데이터 다양체를 저차원 잠재 공간에서 학습한다.
• 초기 훈련을 무작위로 선택된 데이터로 수행하여 손실 기울기를 생성하는 활동 학습 루프에서 2D U-Net 세그멘테이션 모델을 훈련시킨다.
• 훈련 손실의 기울기가 모델에서 영상 공간으로 역전파되며, 결과적으로 기울기 통합 영상이 VAE에 의해 학습된 잠재 공간에 투영된다.
• 손실 기울기의 크기와 방향을 기반으로 잠재 공간에서 샘플을 선택하며, 높은 불확실성과 대표성을 가진 영역을 우선순위로 한다.
• 이 방법은 영상 수준과 환자 수준의 샘플링 전략을 모두 지원하며, 동일 볼륨의 단면 간 중복 주석을 줄인다.
• 반복적으로 적용되는 프레임워크이지만, 핵심 샘플링 전략의 효과를 평가하기 위해 한 번의 반복만 평가되었다.

실험 결과

연구 질문

• RQ1 VAE에 의해 학습된 데이터 다양체에 손실 기울기를 투영함으로써 뇌종양 세그멘테이션에서 주석을 위한 가장 정보량이 많은 MRI 단면을 효과적으로 식별할 수 있는가?
• RQ2 감소된 주석 노력으로 인해 기울기 유도 샘플링이 무작위 샘플링에 비해 모델 성능에서 어떻게 우월한가?
• RQ3 3D MRI 볼륨에서 주석 효율성 측면에서 영상 수준의 제안이 환자 수준의 제안보다 우수한가?
• RQ4 소규모 제안 주석 샘플로 훈련된 모델이 전체 데이터셋으로 훈련된 모델의 성능에 얼마나 가까이 도달할 수 있는가?
• RQ5 사전 훈련 후 새로운 데이터셋에서 미세조정하는 전이 학습 설정에서 제안된 방법의 성능은 어떠한가?

주요 결과

• 제안된 방법에 의해 선택된 전체 BraTS 2019 데이터셋의 19%만으로도 세그멘테이션 모델이 딱도 점수 0.853을 달성하여 전체 데이터셋 훈련 성능과 동일한 성능을 보였다.
• 영상 수준의 제안을 사용할 경우, 전체 39,000장의 영상 단면 중 7%인 2,500장만으로도 50명의 환자 볼륨(7,500장)을 주석 처리한 것과 유사한 성능을 달성할 수 있었다.
• 학습부터 시작하는 것과 전이 학습 시나리오에서 모두 제안된 방법이 무작위 샘플링을 능가하며 일관되게 높은 딱도 점수를 기록했다.
• 모델이 사후에 가장 도전적인 샘플을 선택하는 옥타브 기준선과 유사한 성능을 달성하여 샘플의 정보량이 매우 높다는 것을 시사했다.
• 영상 수준의 제안이 환자 수준의 제안보다 더 효율적이었으며, 주석이 필요한 영상 수를 줄이면서도 모델 성능을 유지했다.
• 기울기 유도 샘플링 방법은 다양한 데이터 분할과 훈련 프레임워크에서 일관된 성능 향상을 보이며 강력한 일반화 잠재력을 보였다.