[논문 리뷰] Privacy Preserving Domain Adaptation for Semantic Segmentation of Medical Images.

Serban Stan, Mohammad Rostami|arXiv (Cornell University)|2021. 01. 02.

Domain Adaptation and Few-Shot Learning참고 문헌 73인용 수 14

한 줄 요약

이 논문은 소스 도메인 데이터에 접근할 수 없음에도 불구하고 개인정보 보호를 고려한 비지도 도메인 적응 방법을 제안한다. 소스 특징에서 원형 분포를 학습하고 이를 타겟 도메인과 정렬함으로써, 엄격한 개인정보 보호 제약 조건에도 불구하고 두 개의 의료 영상 데이터셋에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Convolutional neural networks (CNNs) have led to significant improvements in tasks involving semantic segmentation of images. CNNs are vulnerable in the area of biomedical image segmentation because of distributional gap between two source and target domains with different data modalities which leads to domain shift. Domain shift makes data annotations in new modalities necessary because models must be retrained from scratch. Unsupervised domain adaptation (UDA) is proposed to adapt a model to new modalities using solely unlabeled target domain data. Common UDA algorithms require access to data points in the source domain which may not be feasible in medical imaging due to privacy concerns. In this work, we develop an algorithm for UDA in a privacy-constrained setting, where the source domain data is inaccessible. Our idea is based on encoding the information from the source samples into a prototypical distribution that is used as an intermediate distribution for aligning the target domain distribution with the source domain distribution. We demonstrate the effectiveness of our algorithm by comparing it to state-of-the-art medical image semantic segmentation approaches on two medical image semantic segmentation datasets.

연구 동기 및 목표

• 소스 도메인 데이터가 개인정보 보호 제약으로 인해 이용 불가능한 상황에서 의료 영상 의미 분할의 도메인 이동 문제를 해결하기 위해.
• 소스 도메인 샘플에 대한 접근이 필요 없는 비지도 도메인 적응 프레임워크를 개발하기 위해.
• 사전 훈련된 모델을 새로운 타겟 도메인에 효과적으로 적응시키기 위해 레이블이 없는 타겟 데이터와 학습된 소스 프로토타입만을 사용하기 위해.
• 생물의학 영상 애플리케이션에서 환자 데이터 개인정보 보호를 유지하면서도 높은 분할 정확도를 유지를 위해.

제안 방법

• 이 방법은 소스 도메인 특징에서 원형 분포를 학습하여 개별 샘플을 저장하지 않고도 소스 데이터의 통계적 특성을 표현한다.
• 이 원형 분포는 훈련 중에 타겟 도메인의 특징 분포를 정렬하기 위한 기준으로 사용된다.
• 타겟 도메인 특징와 소스 프로토타입 간에 도메인 정렬 손실을 적용하여 도메인 이동을 최소화한다.
• 세분화 헤드와 적대적 정렬을 사용하여 엔드 투 엔드로 모델을 훈련시키며, 프로토타입은 소스 도메인에 대한 개인정보 보호를 고려한 대체 수단으로 기능한다.
• 소스 데이터에 직접 접근하지 않고, 소스 정보를 단일이고 압축된 분포 표현으로 인코딩함으로써 이를 방지한다.

실험 결과

연구 질문

• RQ1 개인정보 보호 제약으로 인해 소스 도메인 데이터에 접근할 수 없을 때, 의료 영상 분할에서 도메인 적응을 효과적으로 수행할 수 있는가?
• RQ2 개별 소스 샘플을 폭 lộ하지 않고도 대표적인 소스 분포를 학습하고, 이를 타겟 도메인 특징 정렬에 활용할 수 있는가?
• RQ3 기존의 UDA 접근 방식과 비교했을 때, 개인정보 보호 도메인 적응 방법의 성능은 어떠한가?
• RQ4 원형 분포가 도메인 정렬에서 소스 도메인 통계의 신뢰할 수 있는 대체 수단이 될 수 있는가?

주요 결과

• 제안된 방법은 소스 도메인 데이터에 접근할 수 없음에도 불구하고 두 개의 의료 영상 의미 분할 벤치마크에서 최신 기술 수준의 성능을 달성한다.
• 학습된 소스 프로토타입 분포와 타겟 특징를 정렬함으로써 모델이 도메인 이동을 크게 감소시킨다.
• 소스 데이터가 완전히 이용 불가능한 상황에서도 타겟 도메인에서 높은 분할 정확도를 유지한다.
• 원형 분포의 사용은 환자 개인정보 보호를 유지하면서도 효과적인 도메인 적응을 가능하게 한다.