[논문 리뷰] Weakly Supervised Medical Image Segmentation

Pedro H. T. Gama, Hugo Oliveira외 1명|arXiv (Cornell University)|2021. 08. 12.

Radiomics and Machine Learning in Medical Imaging인용 수 4

한 줄 요약

이 논문은 소수의 레이블을 사용하는 모델-중립적 메타학습(MAML) 기반 접근 방식을 통해 희소 레이블을 활용한 소수 샘플 의료 영상 분할 방법을 제안한다. 이는 2퍼센트 미만의 레이블된 픽셀로도 정밀한 밀집 분할 예측을 가능하게 하며, 특히 소스 도메인과 목표 도메인이 크게 다를 경우에도 완전 지도 학습 모델과 유사한 재현율(Jaccard) 점수를 달성한다.

ABSTRACT

In this paper, we propose a novel approach for few-shot semantic segmentation with sparse labeled images. We investigate the effectiveness of our method, which is based on the Model-Agnostic Meta-Learning (MAML) algorithm, in the medical scenario, where the use of sparse labeling and few-shot can alleviate the cost of producing new annotated datasets. Our method uses sparse labels in the meta-training and dense labels in the meta-test, thus making the model learn to predict dense labels from sparse ones. We conducted experiments with four Chest X-Ray datasets to evaluate two types of annotations (grid and points). The results show that our method is the most suitable when the target domain highly differs from source domains, achieving Jaccard scores comparable to dense labels, using less than 2% of the pixels of an image with labels in few-shot scenarios.

연구 동기 및 목표

• 소수 샘플 학습에서 희소 레이블링을 활용하여 의료 영상 분할의 주석 부담을 줄이는 것.
• 특히 자원이 부족한 의료 영상 분석 환경에서 최소한의 레이블 데이터로 정밀한 밀집 분할 예측을 가능하게 하는 것.
• 소스와 목표 의료 영상 데이터셋 간의 도메인 이동에 대응하기 위해 MAML 기반 메타학습의 효과성을 조사하는 것.
• 격자형 및 점 레이블 두 가지 희소 주석 유형을 사용하여 성능을 평가하는 것.
• 완전 지도 학습 모델 수준의 분할 성능를 달성하면서도 훨씬 적은 수의 레이블된 픽셀을 사용하는 것.

제안 방법

• 모델-중립적 메타학습(MAML)을 활용하여 소수 샘플 에피소드와 희소 지도에서 일반화 가능한 모델을 훈련하는 방법을 사용한다.
• 메타학습 단계에서는 밀집 분할 마스크를 예측할 수 있는 능력을 최적화하기 위해 오직 희소 레이블(격자 또는 점 주석)만을 사용한다.
• 메타테스트 단계에서는 지원 세트(support sets)에 희소 레이블을 사용해 모델을 미세조정하고, 쿼리 세트(query sets)에서 밀집 예측을 테스트한다.
• 메타최적화를 통해 초기화 파라미터를 최적화하여 제한된 희소 주석에서 전체 분할 맵을 유추하는 능력을 모델이 습득한다.
• 도메인 특성이 다른 네 개의 흉부 X-ray 데이터셋을 대상으로 도메인 이동 상황에서의 강건성을 평가하기 위해 평가를 수행한다.
• 분할 성능 평가의 주요 지표로 재현율(Jaccard similarity)을 사용한다.

실험 결과

연구 질문

• RQ1 희소 레이블을 기반으로 훈련된 소수 샘플 분할 모델이 의료 영상에서 완전 지도 학습 모델과 유사한 성능을 달성할 수 있는가?
• RQ2 목표 도메인이 소스 도메인과 크게 다를 경우, 제안된 MAML 기반 방법의 성능는 어떠한가?
• RQ3 주석 유형(격자 대비 점)이 최소한의 레이블링 조건에서 분할 정확도에 어떤 영향을 미치는가?
• RQ4 소수의 레이블 예시만으로도 새로운, 알려지지 않은 의료 영상 도메인에 얼마나 잘 일반화되는가?
• RQ5 레이블된 픽셀 수가 2퍼센트 미만일 경우, 특히 자원이 부족한 환경에서 모델의 성능는 어떠한가?

주요 결과

• 제안된 방법은 레이블로 사용된 픽셀 수가 2퍼센트 미만이어도 완전 지도 학습 모델과 유사한 재현율(Jaccard) 점수를 달성한다.
• 소스 도메인과 목표 도메인이 크게 다를 경우에도 강력한 일반화 능력을 보이며, 이러한 상황에서 기존의 소수 샘플 기반 기준 모델보다 뛰어난 성능을 보인다.
• 희소 격자 주석이 희소 점 주석보다 더 높은 성능를 보이며, 이는 레이블의 공간 분포가 모델 학습에 영향을 미친다는 것을 시사한다.
• 네 개의 다양한 흉부 X-ray 데이터셋에서 높은 분할 정확도를 유지하여 도메인 이동에 대한 강건성을 확인한다.
• 주석 비용을 크게 줄이면서도 높은 성능를 유지하므로 실생활 의료 영상 응용에 적합하다.
• 희소 레이블을 활용한 메타학습은 효과적인 소수 샘플 적응을 가능하게 하여 자원이 부족한 의료 영상 분할의 실현 가능성을 입증한다.