[논문 리뷰] Semi-Supervised Learning And Graph Cuts For Consensus Based Medical Image Segmentation

Dwarikanath Mahapatra|arXiv (Cornell University)|2016. 12. 07.

Colorectal Cancer Screening and Detection인용 수 1

한 줄 요약

이 논문은 전문가의 주석에서 공통의 의료 영상 분할을 유도하기 위해 그래프 컷스와 준지도학습 프레임워크를 제안한다. 자기일관성 점수를 통해 局부 최소값을 피하고 전역 최적화를 달성한다. 합성 영상, 크론병 환자 영상, 망막 영상에서 반복적 EM 기반 방법보다 더 정확하고 일관성 있는 분할을 달성한다.

ABSTRACT

Medical image segmentation requires consensus ground truth segmentations to be derived from multiple expert annotations. A novel approach is proposed that obtains consensus segmentations from experts using graph cuts (GC) and semi supervised learning (SSL). Popular approaches use iterative Expectation Maximization (EM) to estimate the final annotation and quantify annotator's performance. Such techniques pose the risk of getting trapped in local minima. We propose a self consistency (SC) score to quantify annotator consistency using low level image features. SSL is used to predict missing annotations by considering global features and local image consistency. The SC score also serves as the penalty cost in a second order Markov random field (MRF) cost function optimized using graph cuts to derive the final consensus label. Graph cut obtains a global maximum without an iterative procedure. Experimental results on synthetic images, real data of Crohn's disease patients and retinal images show our final segmentation to be accurate and more consistent than competing methods.

연구 동기 및 목표

• 반복적 기대치 최대화(EM) 방법이 공통 분할에 한계를 보이며 局부 최소값으로 수렴할 위험성이 있다는 문제를 해결하기 위해.
• 다수의 전문가 주석에서 유도된 공통 분할의 일관성과 정확도를 향상시키기 위해.
• 준지도학습을 통해 저수준 영상 특징과 전역적 맥락을 통합하여 누락된 주석을 예측하기 위해.
• 이차 마르코프 무작위장(MRF)에서 전역 최적화를 위해 그래프 컷스를 활용하는 자기일관성(SC) 점수를 페널티로 사용하기 위해.
• 반복적 보완을 제거하기 위해 그래프 컷스를 활용해 전역적으로 최적의 해를 도출하기 위해.

제안 방법

• 저수준 영상 특징에 기반한 자기일관성(SC) 점수를 제안하여 주석자 간 일관성을 정량화한다.
• 전역 영상 특징과 국소 일관성을 사용하여 누락된 전문가 주석을 예측하기 위해 준지도학습을 활용한다.
• SC 점수를 이차 마르코프 무작위장(MRF) 비용 함수의 페널티 항으로 통합한다.
• 그래프 컷스를 사용해 MRF를 최적화하여 반복적 보완 없이 전역적으로 최적의 분할을 도출한다.
• 최종 MRF 비용 함수를 사용해 단일 최적화 단계를 통해 공통 분할을 유도한다.
• 국소 영상 일관성과 전역 특징 학습을 통합하여 주석 예측 및 공통 분할 정확도를 향상시킨다.

실험 결과

연구 질문

• RQ1 저수준 특징에 기반한 자기일관성 점수가 의료 영상에서 공통 분할의 신뢰성 향상에 기여하는가?
• RQ2 다중 주석자 환경에서 준지도학습이 누락된 전문가 주석 예측에 어떻게 기여하는가?
• RQ3 SC 기반 페널티를 갖는 이차 MRF를 그래프 컷스로 최적화할 경우, 반복적 EM보다 더 나은 공통 분할을 도출할 수 있는가?
• RQ4 기존의 EM 기반 접근법에 비해 제안된 방법이 국부 최소값에 대한 민감도를 얼마나 줄이는가?
• RQ5 국소 일관성과 전역 특징의 통합이 다양한 의료 영상 작업에서 분할 정확도와 일관성에 어떤 영향을 미치는가?

주요 결과

• 제안된 방법은 경쟁적인 반복적 EM 기반 접근법보다 더 정확하고 일관성 있는 공통 분할을 달성한다.
• 그래프 컷스를 통해 반복적 보완 없이 전역적으로 최적의 해를 도출하여 국부 최소값으로 수렴하는 것을 방지한다.
• 자기일관성 점수가 저수준 영상 특징을 활용해 주석자 신뢰도를 효과적으로 정량화한다.
• 준지도학습은 전역적 영상 맥락과 국소 일관성을 모두 활용하여 누락된 주석 예측을 향상시킨다.
• 합성 영상, 크론병 환자 스캔, 망막 영상에서 뛰어난 성능을 보였다.
• SC 점수를 MRF 비용 함수의 페널티로 통합함으로써 더 나은 정규화를 통해 분할 품질을 향상시켰다.