[논문 리뷰] Few Labeled Atlases are Necessary for Deep-Learning-Based Segmentation

Hyeon Woo Lee, Mert R. Sabuncu외 1명|arXiv (Cornell University)|2019. 08. 13.

Medical Image Segmentation Techniques참고 문헌 38인용 수 8

한 줄 요약

이 논문은 뇌 MRI에서 딥러닝 기반 분할이 최소 3개의 레이블이 부여된 애틀라스만으로도 높은 정확도를 달성할 수 있음을 입증하며, 대규모 레이블이 부여된 데이터셋이 필수적이라는 가정에 도전한다. 이는 다중 애틀라스 프레임워크 내에서 비지도 학습 기반의 정렬 방법을 제안하여 레이블이 없는 데이터를 활용함으로써 분할 성능을 향상시키며, 완전히 지도 학습된 모델과 비슷한 딥스코어 점수를 기록하고 표면 거리 오차를 크게 감소시킨다.

ABSTRACT

We tackle biomedical image segmentation in the scenario of only a few labeled brain MR images. This is an important and challenging task in medical applications, where manual annotations are time-consuming. Current multi-atlas based segmentation methods use image registration to warp segments from labeled images onto a new scan. In a different paradigm, supervised learning-based segmentation strategies have gained popularity. These method consistently use relatively large sets of labeled training data, and their behavior in the regime of a few labeled biomedical images has not been thoroughly evaluated. In this work, we provide two important results for segmentation in the scenario where few labeled images are available. First, we propose a straightforward implementation of efficient semi-supervised learning-based registration method, which we showcase in a multi-atlas segmentation framework. Second, through an extensive empirical study, we evaluate the performance of a supervised segmentation approach, where the training images are augmented via random deformations. Surprisingly, we find that in both paradigms, accurate segmentation is generally possible even in the context of few labeled images.

연구 동기 및 목표

• 소수의 레이블이 부여된 뇌 MRI 영상만으로 딥러닝 기반 분할 성능을 평가하는 것.
• 소규모 데이터 환경에서 비지도 학습이 다중 애틀라스 분할 성능을 향상시킬 수 있는지 조사하는 것.
• 데이터 증강을 통한 지도 학습과 학습 기반 정렬을 통한 다중 애틀라스 분할 간의 효과성을 비교하는 것.
• 최소한의 레이블이 부여된 애틀라스로도 분할 정확도를 향상시키는 데 기여하는 새로운 비지도 학습 기반 정렬 방법을 개발하고 검증하는 것.

제안 방법

• 비지도 학습 기반의 정렬 방법을 제안하며, 깊이 신경망을 사용하여 레이블이 없는 영상과 레이블이 있는 영상 간의 변형장을 계산하고, 비지도 손실 함수를 통해 최적화한다.
• 이미지 유사도를 위해 정규화된 상관관계(NCC)와 기하학적으로 타당한 변형을 보장하기 위한 부드러움 정규화 항을 조합한 손실 함수를 사용한다.
• 학습된 정렬을 다중 애틀라스 분할 파이프라인에 통합하여, 여러 애틀라스의 변형된 레이블을 융합하여 최종 분할 결과를 도출한다.
• 지도 학습 기반 분할(SegNet)에서 소수의 학습 데이터로도 강건성을 향상시키기 위해 3D 무작위 변형을 데이터 증강 기법으로 적용한다.
• 29개의 해부학적 구조에서 분할 정확도를 평가하기 위해 딥스코어 점수와 표면 거리(SD) 지표를 조합하여 사용한다.
• Buckner40 데이터셋에서 1~10개의 레이블이 부여된 애틀라스를 대상으로 모델을 훈련 및 테스트하여 성능을 비교한다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 분할이 뇌 MRI에서 단 3개 이하의 레이블이 부여된 영상만으로도 높은 정확도를 달성할 수 있는가?
• RQ2 비지도 학습 기반 정렬이 소규모 데이터 환경에서 다중 애틀라스 분할 성능을 어떻게 향상시키는가?
• RQ3 학습 데이터가 부족한 상황에서 지도 학습 기반 데이터 증강이 분할 성능을 상당히 향상시키는가?
• RQ4 작은 구조와 큰 구조에서 다양한 분할 전략 간의 딥스코어 점수와 표면 거리 측정치 간의 성능 비교는 어떻게 이루어지는가?
• RQ5 레이블이 극도로 제한된 상황에서 비지도 학습 기반 정렬 방법이 기존의 다중 애틀라스 및 지도 학습 방법을 모두 능가할 수 있는가?

주요 결과

• 단 3개의 레이블이 부여된 애틀라스만으로도 제안된 MAS-SS 방법이 완전히 지도 학습된 SegNet 기준선과 딥스코어 점수에서 4점 이내로 높은 성능을 기록한다.
• MAS-SS는 모든 해부학적 구조에서 평균 표면 거리를 0.4 mm 이하로 줄이고, 최대 표면 거리를 7 mm 이하로 유지한다.
• 3개 이하의 애틀라스를 사용할 경우 MAS-SS는 표준 다중 애틀라스 및 데이터 증강 기반 SegNet보다 항상 높은 딥스코어 점수를 기록한다.
• MAS-SS는 아미yg다 및 해마와 같은 소형 부위에서도 뛰어난 성능을 보이며, 다른 방법이 실패하는 영역에서도 높은 딥스코어 점수를 유지한다.
• 데이터 증강은 SegNet의 성능을 상당히 향상시키지만, 더 많은 애틀라스를 사용하더라도 MAS-SS보다 표면 거리가 더 높게 나타나, 위상적 정확도가 떨어지는 경향을 보인다.
• 이 연구는 딥러닝 기반 분할이 대규모 레이블이 부여된 데이터셋을 필요로 하지 않으며, 최소한의 지도 학습만으로도 높은 정확도를 달성할 수 있음을 입증한다.