[논문 리뷰] Unsupervised Domain Adaptation for Automatic Estimation of Cardiothoracic Ratio

Nanqing Dong, Michael Kampffmeyer외 4명|arXiv (Cornell University)|2018. 07. 10.

Radiomics and Machine Learning in Medical Imaging인용 수 5

한 줄 요약

이 논문은 표적 데이터셋에서 픽셀 수준의 애너테이션을 필요로 하지 않고 흉부 X선에서 정확한 자동 심폐비율(CTR) 추정을 가능하게 하는 적대적 네트워크를 사용한 비지도 도메인 적응 프레임워크를 제안한다. 예측 마스크와 진짜 마스크를 구분하는 세그멘테이터와 디스criminator를 훈련시켜 도메인 불변 특징을 학습함으로써, 레이블이 없는 데이터에서 평균 백분율 오차 5.8%와 심장비대 검출 정확도 87.78%를 달성한다.

ABSTRACT

The cardiothoracic ratio (CTR), a clinical metric of heart size in chest X-rays (CXRs), is a key indicator of cardiomegaly. Manual measurement of CTR is time-consuming and can be affected by human subjectivity, making it desirable to design computer-aided systems that assist clinicians in the diagnosis process. Automatic CTR estimation through chest organ segmentation, however, requires large amounts of pixel-level annotated data, which is often unavailable. To alleviate this problem, we propose an unsupervised domain adaptation framework based on adversarial networks. The framework learns domain invariant feature representations from openly available data sources to produce accurate chest organ segmentation for unlabeled datasets. Specifically, we propose a model that enforces our intuition that prediction masks should be domain independent. Hence, we introduce a discriminator that distinguishes segmentation predictions from ground truth masks. We evaluate our system's prediction based on the assessment of radiologists and demonstrate the clinical practicability for the diagnosis of cardiomegaly. We finally illustrate on the JSRT dataset that the semi-supervised performance of our model is also very promising.

연구 동기 및 목표

• 심폐비율(CTR) 추정에서 의료 영상 세그멘테이션을 위한 제한된 픽셀 수준의 애너테이션 데이터 문제를 해결한다.
• 이미징 프로토콜과 영상 품질의 변동으로 인해 서로 다른 병원의 흉부 X-ray 데이터셋 간의 도메인 이동 문제를 극복한다.
• 소스 도메인 애너테이션만을 사용하여 레이블이 없는 표적 도메인 데이터셋에서 정확한 CTR 추정을 가능하게 하는 방법을 개발한다.
• 영상의학자 평가와 심장비대 검출 성능 평가를 통해 임상 적용 가능성의 실증을 수행한다.
• JSRT 벤치마크에서 레이블이 없는 데이터를 활용하여 세그멘테이션 성능 향상을 위한 준지도 학습으로 프레임워크를 확장한다.

제안 방법

• 디스criminator가 예측 세그멘테이션 마스크와 진짜 마스크를 구분하도록 하는 새로운 적대적 훈련 체계를 제안하여 도메인 불변 예측을 강제한다.
• 세그멘테이터와 디스criminator 양쪽에 ResNet18 백본을 사용하며, 세그멘테이터는 완전 컨volution 네트워크(FCN) 아키텍처를 기반으로 하며, 출력 스트라이드는 16이다.
• 세그멘테이터가 디스criminator를 속이기 위해 현실적이고 도메인에 의존하지 않는 세그멘테이션 마스크를 생성하도록 훈련시켜 도메인 이동 영향을 최소화한다.
• 예측된 기도 세그멘테이션 마스크에 대해 후처리를 적용하여 CTR를 계산하며, 심장비대를 분류하기 위해 임계값 0.5를 사용한다.
• 하이퍼파라미터 λadv = 10−4를 사용한 적대적 손실을 적용하고, Adam 최적화기를 사용하여 학습률 10−3로 최적화하며, 디스criminator를 세그멘테이터보다 두 번 먼저 갱신한다.
• JSRT 데이터셋의 레이블이 없는 데이터를 통합하여 준지도 학습으로 프레임워크를 확장함으로써, 제한된 레이블 데이터로도 성능 향상을 이룬다.

실험 결과

연구 질문

• RQ1 레이블이 없는 표적 데이터가 없이도 적대적 도메인 적응이 다양한 병원의 X-ray 데이터셋 간 CTR 추정에서 도메인 이동을 줄일 수 있는가?
• RQ2 디스criminator를 통해 예측 마스크의 도메인 독립성을 강제하면 기존 도메인 적응 방법보다 세그멘테이션 일반화 성능이 향상되는가?
• RQ3 소스 도메인 애너테이션과 레이블이 없는 표적 데이터만을 사용할 때 제안된 방법이 심장비대 검출에 얼마나 효과적인가?
• RQ4 준지도 학습 환경에서 모델이 JSRT 벤치마크에서 레이블이 없는 데이터를 얼마나 효과적으로 활용하여 세그멘테이션 성능을 향상시킬 수 있는가?
• RQ5 매우 낮은 애너테이션 요구량으로도 감독 기반 기준과 비교할 만한 임상적 성능을 달성할 수 있는가?

주요 결과

• 제안된 DA-ADV 방법은 Wingspan 표적 데이터셋에서 평균 백분율 오차(APE) 5.8%, 평균 절대 오차(MAE) 3.3%, 루트 평균 제곱 오차(RMSE) 0.06을 기록하여, 베이스라인 전이 학습(TL-SEG)과 최신 기술인 ADDA보다 뛰어난 성능을 보였다.
• Wingspan 데이터셋에서 예측된 기도 세그멘테이션 마스크를 기반으로 심장비대를 분류한 결과, 정확도 87.78%, 정밀도 97.72%, 민감도 84.21%, 특이도 95.57%를 달성했다.
• 준지도 학습 실험에서 JSRT 학습 데이터의 50%만 레이블이 있을 경우 폐에 대해 90.4% IoU, 심장에 대해 81.2% IoU를 기록하여, 제한된 레이블을 가진 완전 감독 기반 베이스라인보다 뚜렷한 성능 향상을 보였다.
• 데이터 증강 없이도 강건한 성능을 보여, 다양한 영상 조건에서의 일반화 능력을 입증했다.
• 그림 4의 정성적 결과는, 표적 도메인에 대한 레이블이 전혀 없더라도 모델이 정확하고 일관된 세그멘테이션 마스크를 생성함을 보여준다.
• 디스criminator가 훈련 후 진짜 마스크와 예측 마스크를 구분하지 못함으로써, 예측 마스크가 서로 다른 도메인 간에 정렬됨을 입증하며 데이터셋 이동을 효과적으로 줄였다.