[논문 리뷰] Self-Supervised Learning for Cardiac MR Image Segmentation by Anatomical Position Prediction

Wenjia Bai, Chen Chen외 7명|arXiv (Cornell University)|2019. 07. 05.

Radiomics and Machine Learning in Medical Imaging참고 문헌 10인용 수 30

한 줄 요약

이 논문은 표준 심장 MRI 시각 평면에서 유도된 해부학적 위치를 예측함으로써 수동 레이블이 필요 없는 심장 MR 영상 분할을 위한 자기지도 학습 방법을 제안한다. 소규모 데이터 설정에서 최신 기술 수준의 성능을 달성하며, 레이블이 부여된 환자 수가 다섯 명일 때 평균 Dice 점수를 0.811에서 0.852로 향상시킨다.

ABSTRACT

In the recent years, convolutional neural networks have transformed the field of medical image analysis due to their capacity to learn discriminative image features for a variety of classification and regression tasks. However, successfully learning these features requires a large amount of manually annotated data, which is expensive to acquire and limited by the available resources of expert image analysts. Therefore, unsupervised, weakly-supervised and self-supervised feature learning techniques receive a lot of attention, which aim to utilise the vast amount of available data, while at the same time avoid or substantially reduce the effort of manual annotation. In this paper, we propose a novel way for training a cardiac MR image segmentation network, in which features are learnt in a self-supervised manner by predicting anatomical positions. The anatomical positions serve as a supervisory signal and do not require extra manual annotation. We demonstrate that this seemingly simple task provides a strong signal for feature learning and with self-supervised learning, we achieve a high segmentation accuracy that is better than or comparable to a U-net trained from scratch, especially at a small data setting. When only five annotated subjects are available, the proposed method improves the mean Dice metric from 0.811 to 0.852 for short-axis image segmentation, compared to the baseline U-net.

연구 동기 및 목표

• 수행하기에 비용이 많이 들고 시간이 오래 걸리는 제한된 레이블이 부여된 심장 MRI 데이터 문제를 해결한다.
• 임상 환경에서 풍부하게 존재하는 레이블이 없는 MRI 스캔을 활용하여 완전히 지도 학습에 의존하는 것의 비중을 줄인다.
• 표준 MRI 시각 평면에서 유도된 내재된 해부학적 정보를 활용하는 자기지도 사전 과제를 개발한다.
• 새로운 해부학적 위치 예측 과제를 통해 소량의 레이블이 부여된 데이터로도 분할 성능을 향상시킨다.
• 실제 임상 워크플로우에 적용 가능한 데이터 효율적인 심장 MR 영상 분할을 위한 훈련을 가능하게 한다.

제안 방법

• 주어진 심장 MR 영상의 해부학적 위치(예: 단축축, 4심실 시각)를 예측하는 자기지도 사전 과제를 정의한다.
• 시각 평면 정보와 DICOM 헤더를 사용하여 수동 레이블 없이도 자동으로 해부학적 위치를 정의한다.
• 레이블이 없는 데이터에서 구분 가능한 특징을 학습하기 위해 대조 학습 기반으로 U-Net 인코더를 사전 훈련한다.
• 소량의 레이블이 부여된 단축축 및 장축 영상에 대해 디코더 헤드를 함께 훈련시켜 분할을 수행한다.
• 다양한 훈련 전략을 평가한다: 인코더를 고정하고 디코더만 미세조정하는 (SSL+Decoder), 또는 모든 레이어를 함께 훈련하는 (SSL+All, SSL+MultiTask).
• 다양한 데이터 크기에서 분할 성능 평가를 위해 Dice 계수 및 평균 윤곽 거리와 같은 표준 지표를 사용한다.

실험 결과

연구 질문

• RQ1 해부학적 위치 예측은 심장 MR 영상 분할을 위한 효과적인 자기지도 사전 과제로 기능할 수 있는가?
• RQ2 해부학적 위치를 활용한 자기지도 사전 훈련은 레이블이 없는 U-Net 훈련과 비교해 분할 정확도에서 어떻게 성능을 냈는가?
• RQ3 소량의 레이블이 부여된 환자 수가 매우 적을 경우, 제안된 방법이 성능 향상에 얼마나 기여하는가?
• RQ4 자기지도 접근 방식은 단축축 및 장축 영상과 같은 다양한 심장 MRI 시각에서 일반화 가능한가?
• RQ5 완전히 지도 학습된 모델과 비교해도 성능이 유사한데도 불구하고, 레이블 요구 사항을 크게 줄일 수 있는가?

주요 결과

• 다섯 명의 레이블이 부여된 환자만으로도 제안된 자기지도 방법(SSL+MultiTask)이 단축축 분할에서 평균 Dice 점수 0.852를 기록했으며, 레이블이 없는 U-Net은 0.811이었다.
• 가장 작은 데이터 설정(n=1)에서 SSL+MultiTask 모델은 U-Net 베이스라인과는 달리 의미 있는 분할 결과를 도출했다.
• 장축 영상 분할의 경우, 100명의 환자로 훈련한 SSL+MultiTask 방법은 Dice 점수 0.934를 기록했으며, U-Net 베이스라인(0.930)을 초월했고, 저데이터 환경에서도 일관된 성능 향상을 보였다.
• 데이터 크기가 증가함에 따라 자기지도 학습과 지도 학습 간의 성능 격차가 줄어들었으며, n≥50명일 경우 두 방법이 수렴하는 경향을 보였다.
• SSL+MultiTask 전략은 다른 미세조정 설정보다 일관되게 뛰어난 성능을 보였으며, 인코더와 디코더를 함께 최적화하는 것이 가장 우수한 결과를 낳는다는 것을 시사했다.
• 이 방법은 강력한 전이 능력을 보였으며, 최소한의 지도 레이블 조건에서도 자기지도 인코더가 후속 분할 과제에 잘 일반화되는 특징을 학습했다.