[論文レビュー] Domain and Content Adaptive Convolution for Domain Generalization in Medical Image Segmentation.

Shishuai Hu, Zehui Liao+2 more|arXiv (Cornell University)|Sep 13, 2021

COVID-19 diagnosis using AI参考文献 32被引用数 8

ひとこと要約

本稿では、医療画像セグメンテーションのための新しいマルチソースドメイン一般化モデル、ドメインおよびコンテンツに適応する畳み込み（DCAC）を提案する。DCACは、ドメイン特性と入力画像のコンテンツの両方に動的に適応する畳み込みを実現する。エンコーダ・デコーダアーキテクチャにドメイン適応（DAC）およびコンテンツ適応（CAC）モジュールを統合することで、前立腺、COVID-19病変、および視optic disc/カップセグメンテーションの各タスクで最先端の性能を達成し、ベースラインおよび4つのSOTAドメイン一般化手法を上回る。

ABSTRACT

The domain gap caused mainly by variable medical image quality renders a major obstacle on the path between training a segmentation model in the lab and applying the trained model to unseen clinical data. To address this issue, domain generalization methods have been proposed, which however usually use static convolutions and are less flexible. In this paper, we propose a multi-source domain generalization model, namely domain and content adaptive convolution (DCAC), for medical image segmentation. Specifically, we design the domain adaptive convolution (DAC) module and content adaptive convolution (CAC) module and incorporate both into an encoder-decoder backbone. In the DAC module, a dynamic convolutional head is conditioned on the predicted domain code of the input to make our model adapt to the unseen target domain. In the CAC module, a dynamic convolutional head is conditioned on the global image features to make our model adapt to the test image. We evaluated the DCAC model against the baseline and four state-of-the-art domain generalization methods on the prostate segmentation, COVID-19 lesion segmentation, and optic cup/optic disc segmentation tasks. Our results indicate that the proposed DCAC model outperforms all competing methods on each segmentation task, and also demonstrate the effectiveness of the DAC and CAC modules.

研究の動機と目的

• 異なる臨床的スキャナーやプロトコルに起因する画像品質のばらつきによって生じる医療画像セグメンテーションにおけるドメインギャップを解消すること。
• ドメイン一般化手法における静的畳み込み層の制限を克服すること。静的畳み込み層は、未観測ドメインへの適応性に欠ける。
• 入力画像のドメイン固有の特性とコンテンツ固有の特徴の両方に同時に適応する動的畳み込みメカニズムを構築すること。
• 適応的特徴学習を通じてドメイン不変表現を学習することで、未観測臨床データにおけるモデル一般化性能を向上させること。
• 多様なドメインシフトを伴う複数の医療画像セグメンテーションベンチマークで、提案手法の有効性を検証すること。

提案手法

• DCACモデルは、エンコーダ・デコーダセグメンテーションバックボーンに、2つの動的畳み込みモジュール（ドメイン適応畳み込み：DAC、コンテンツ適応畳み込み：CAC）を統合する。
• DACモジュールは、入力画像の予測ドメインコードに条件づけられた動的畳み込みヘッドを用い、未観測のターゲットドメインに適応する。
• CACモジュールは、グローバル画像特徴に条件づけられた動的畳み込みヘッドを用い、推論時の入力コンテンツの変動に適応する。
• ドメインとコンテンツの適応を統合的に最適化できるよう、マルチソースドメイン一般化損失を用いてエンド・ツー・エンドで学習する。
• ドメインコードは、入力特徴からドメイン分類器ヘッドを用いて予測され、畳み込みフィルタの動的ルーティングをガイドする。
• 動的畳み込みヘッドは、ドメインおよびコンテンツ埋め込みに基づいてフィルタ重みを生成し、柔軟で文脈に適応した特徴学習を可能にする。

実験結果

リサーチクエスチョン

• RQ1 統一されたモデルアーキテクチャが、医療画像のドメイン固有およびコンテンツ固有の変化に動的に適応することで、ドメイン一般化を向上させることができるか？
• RQ2 提案されたDCACモデルは、静的畳み込みおよび既存のドメイン一般化手法と比較して、未観測臨床画像ドメインをどのように処理するか？
• RQ3 DACおよびCACモジュールの個々の貢献度は、クロスドメイン医療画像セグメンテーションにおいて、どの程度の性能向上に寄与しているか？
• RQ4 異なるドメインシフトを伴う複数の医療画像処理タスクにおいて、モデルがロバスト性を維持できるか？
• RQ5 動的適応メカニズムは、多様な画像プロトコルや品質レベルにわたり、効果的に一般化できるか？

主な発見

• DCACモデルは、前立腺セグメンテーション、COVID-19病変セグメンテーション、および視optic disc/カップセグメンテーションの3つの評価タスクすべてで最先端の性能を達成した。
• 提案手法は、すべてのセグメンテーションベンチマークでベースラインおよび4つのSOTAドメイン一般化手法を上回った。
• アブレーションスタディにより、DACおよびCACモジュールの両方が性能向上に顕著な寄与をしていることが確認され、特にDACがドメインシフト適応において不可欠であることが示された。
• 未観測臨床ドメインへの一般化が強く示され、効果的なドメイン不変表現学習が実現していることが示された。
• 動的畳み込みメカニズムにより、ドメインおよびコンテンツ特性に適応することで、ドメインシフト下でもより良い特徴学習が可能となり、セグメンテーション精度が向上した。