[論文レビュー] A sparse annotation strategy based on attention-guided active learning for 3D medical image segmentation

Zhenxi Zhang, Jie Li+3 more|arXiv (Cornell University)|Jun 18, 2019

Medical Image Segmentation Techniques参考文献 14被引用数 17

ひとこと要約

本論文は、3次元医療画像セグメンテーションにおけるスパースアノテーションのためのアテンション誘導型アクティブラーニング戦略を提案する。アテンション機構を用いてスライスの不確実性を推定し、選択的なラベリングを誘導する。dHCPデータセットを用いた脳抽出タスクでは15–20%のラベル付きスライスで、組織セグメンテーションタスクでは30–35%のラベル付きスライスで、完全ラベリングと同等のセグメンテーション性能を達成した。

ABSTRACT

3D image segmentation is one of the most important and ubiquitous problems in medical image processing. It provides detailed quantitative analysis for accurate disease diagnosis, abnormal detection, and classification. Currently deep learning algorithms are widely used in medical image segmentation, most algorithms trained models with full annotated datasets. However, obtaining medical image datasets is very difficult and expensive, and full annotation of 3D medical image is a monotonous and time-consuming work. Partially labelling informative slices in 3D images will be a great relief of manual annotation. Sample selection strategies based on active learning have been proposed in the field of 2D image, but few strategies focus on 3D images. In this paper, we propose a sparse annotation strategy based on attention-guided active learning for 3D medical image segmentation. Attention mechanism is used to improve segmentation accuracy and estimate the segmentation accuracy of each slice. The comparative experiments with three different strategies using datasets from the developing human connectome project (dHCP) show that, our strategy only needs 15% to 20% annotated slices in brain extraction task and 30% to 35% annotated slices in tissue segmentation task to achieve comparative results as full annotation.

研究の動機と目的

• 臨床および研究現場における3次元医療画像の完全ラベリングにかかる高コストと時間的負担を軽減すること。
• 手動ラベリングを最小限に抑えつつセグメンテーション性能を維持するスパースラベリング戦略の開発。
• 2次元から3次元医療画像セグメンテーションへのアクティブラーニングの拡張を図り、不確実性推定の向上を実現するためのアテンション機構の活用。
• 提案手法の有効性をdHCPプロジェクトの実世界の3次元脳画像データセットを用いて評価すること。

提案手法

• 3次元U-Netアーキテクチャにアテンション機構を統合し、特徴表現とセグメンテーション精度を向上させる。
• アテンションマップを用いて各スライスの不確実性を定量化し、ラベリングに最も有益なスライスを特定する。
• 各アクティブラーニングイテレーションで、不確実性が最も高い（アテンション信頼度が最も低い）スライスを選択するクエリ戦略を採用する。
• アテンション誘導型の不確実性基準に基づき選択されたラベル付きスライスの増加集合を用いて、段階的にセグメンテーションモデルを訓練する。
• スライスのわずかな割合（15–35%）にのみラベルを付与し、残りのスライスはモデルによって予測するスパースラベリングプロトコルを適用する。
• dHCPデータセットを用いて、脳抽出と組織セグメンテーションの2つの3次元セグメンテーションタスクで手法を検証する。

実験結果

リサーチクエスチョン

• RQ1 アテンション誘導型の不確実性推定は、3次元医療画像セグメンテーションにおけるアクティブラーニングのパフォーマンスを向上させることができるか？
• RQ2 スパースラベリングを用いることで、どの程度のラベリング作業の削減が可能であり、同時にセグメンテーション精度を維持できるか？
• RQ3 3次元設定において、提案手法はランダムサンプリングおよび不確実性ベースのサンプリング手法と比較してどのように優れているか？
• RQ4 アテンション機構は、3次元医療画像認識におけるモデルの汎化能力および不確実性推定をどの程度向上させることができるか？

主な発見

• 提案手法は、脳抽出タスクにおいて15–20%のスライスしかラベル付けしなくても、完全ラベリングと同等のセグメンテーション性能を達成した。
• 組織セグメンテーションタスクでは、わずか30–35%のスライスのラベリングで同等の結果に到達した。
• アテンション誘導型アクティブラーニング戦略は、両方のセグメンテーションタスクにおいて、ベースラインのランダムおよび不確実性ベースのサンプリング手法を上回った。
• アテンションマップは、高不確実性領域を効果的に特定し、より情報量の多いスライス選択を可能にした。
• スパースラベリングに対しても、モデルは高いセグメンテーション精度を維持し、限定的な監視のもとでも頑健であることが示された。