[논문 리뷰] A New Approach for Explainable Multiple Organ Annotation with Few Data

Régis Pierrard, Jean-Philippe Poli외 1명|arXiv (Cornell University)|2019. 12. 30.

Machine Learning in Healthcare참고 문헌 39인용 수 6

한 줄 요약

이 논문은 소수의 레이블이 부여된 의료 영상에서 공간 관계를 학습하여 설명 가능한 다기관 레이블링을 수행하는 기호-퍼지 추론 프레임워크를 제안한다. 기관 간 관계를 퍼지 제약 조건으로 모델링함으로써, 단 두 개의 학습 예시만으로도 99%의 정확도를 달성하며, 공간 추론에 기반한 언어적 설명을 통해 높은 정확도와 해석 가능성 있는 분할을 실현한다.

ABSTRACT

Despite the recent successes of deep learning, such models are still far from some human abilities like learning from few examples, reasoning and explaining decisions. In this paper, we focus on organ annotation in medical images and we introduce a reasoning framework that is based on learning fuzzy relations on a small dataset for generating explanations. Given a catalogue of relations, it efficiently induces the most relevant relations and combines them for building constraints in order to both solve the organ annotation task and generate explanations. We test our approach on a publicly available dataset of medical images where several organs are already segmented. A demonstration of our model is proposed with an example of explained annotations. It was trained on a small training set containing as few as a couple of examples.

연구 동기 및 목표

• 낮은 샘플 수의 의료 영상 레이블링 문제를 높은 설명 가능성과 함께 해결하고자 한다.
• 딥 러닝의 높은 성능와 임상 환경에서의 해석 불가능성 사이의 격차를 메우고자 한다.
• 대규모 레이블링 데이터셋에 의존하지 않고도 소수의 학습 예시로 정확한 기관 레이블링을 가능하게 하고자 한다.
• 기관 간 퍼지 공간 관계를 학습함으로써 언어적으로 기반한 설명을 생성하고자 한다.
• 기본적으로 기관 인식을 퍼지 제약 조건 만족 문제로 형식화하여 추론과 설명 생성을 가능하게 하고자 한다.

제안 방법

• 소수의 레이블이 부여된 의료 영상에서 퍼지 논리를 사용하여 기관 간 공간적 및 구조적 관계를 표현함으로써 퍼지 관계를 학습한다.
• 학습 예제 간 빈도와 일관성을 평가하여 가장 관련성이 높은 관계를 추출하고, 잡음 제거를 위해 임계값을 적용한다.
• 이러한 관계는 영상 내 기관의 타당한 공간 구성에 대한 퍼지 제약 조건으로 변환된다.
• 레이블링 작업은 퍼지 제약 조건 만족 문제(FCSP)로 형식화되며, 각 기관은 제약 조건 일관성에 기반한 가능한 레이블 도메인에 할당된다.
• 설명은 특정 레이블 할당에 이르게 한 활성 제약 조건을 추적함으로써 생성되며, '왼쪽에 있다', '대칭적이다' 등의 퍼지 관계의 언어적 기술을 사용한다.
• 기호 추론과 통계적 인식을 통합함으로써, 퍼지 소속 함수를 통해 분할 정확도의 부정확성에 대비한 강건성을 확보한다.

실험 결과

연구 질문

• RQ1 소수의 레이블이 부여된 예시만으로도 의료 영상에서 높은 정확도의 기관 레이블링을 달성할 수 있는가?
• RQ2 퍼지 공간 관계는 효과적으로 학습되어 인간이 이해할 수 있는 기관 레이블링 결정에 대한 설명을 생성하는 데 사용될 수 있는가?
• RQ3 기호 추론과 소수 학습의 통합이 의료 영상 분석에서 정확도와 설명 가능성의 향상에 어떻게 기여하는가?
• RQ4 퍼지 논리가 기관 분할의 모호함을 얼마나 잘 다룰 수 있으며, 동시에 신뢰할 수 있는 제약 기반 추론을 유지할 수 있는가?
• RQ5 설명의 품질과 일관성은 모델 성능과 임상 환경에서의 사용자 신뢰도와 얼마나 관련이 있는가?

주요 결과

• 학습에 단 두 장의 레이블이 부여된 영상만 사용해도 최소 99%의 정확도를 달성하여 강력한 소수 학습 일반화 능력을 입증한다.
• 더 큰 학습 세트가 필요하고 설명 기능이 없는 딥 컨볼루션 네트워크 기반 베이스라인에 비해 본 방법이 우수한 샘플 효율성을 보였다.
• 모델은 어떤 레이블도 놓치지 않으며, FCSP 내 모든 변수가 유효한 도메인을 할당받기 때문에 완전성을 보장한다.
• 설명은 '기관 X가 기관 Y 위에 있다' 또는 '대칭적이다'와 같은 활성 퍼지 제약 조건을 추적함으로써 생성되며, 이해하기 쉬운 언어적 근거를 제공한다.
• 퍼지 논리를 활용함으로써 기관 간 경계의 미세한 형태 변화에 대해 강건성을 유지하며, 모호한 경계를 수용할 수 있다.
• 일관되고 빈도가 높은 관계에 기반한 제약 조건 형성에 의존하므로, 이상치가 아닌 한 하나의 학습 예시로도 이 방법은 효과가 있다.