[論文レビュー] SSASS: Semi-Supervised Approach for Stenosis Segmentation

In Kyu Lee, Junsup Shin+3 more|arXiv (Cornell University)|Nov 17, 2023

Cardiac Imaging and Diagnostics被引用数 4

ひとこと要約

本論文では、射影データオーギュメンテーションと偽ラベル化を用いた半教師あり学習フレームワークであるSSASSを提案する。非ラベル付き血管画像を活用して高品質な偽ラベルを生成し、アンサンブルを用いない1つのYOLOv8mモデルで学習することで、ARCADEチャレンジのテストセットにおいて平均F1スコア0.536を達成。これは完全教師ありベースラインを上回り、最良の性能を記録した。

ABSTRACT

Coronary artery stenosis is a critical health risk, and its precise identification in Coronary Angiography (CAG) can significantly aid medical practitioners in accurately evaluating the severity of a patient's condition. The complexity of coronary artery structures combined with the inherent noise in X-ray images poses a considerable challenge to this task. To tackle these obstacles, we introduce a semi-supervised approach for cardiovascular stenosis segmentation. Our strategy begins with data augmentation, specifically tailored to replicate the structural characteristics of coronary arteries. We then apply a pseudo-label-based semi-supervised learning technique that leverages the data generated through our augmentation process. Impressively, our approach demonstrated an exceptional performance in the Automatic Region-based Coronary Artery Disease diagnostics using x-ray angiography imagEs (ARCADE) Stenosis Detection Algorithm challenge by utilizing a single model instead of relying on an ensemble of multiple models. This success emphasizes our method's capability and efficiency in providing an automated solution for accurately assessing stenosis severity from medical imaging data.

研究の動機と目的

• 冠動脈狭窄部セグメンテーションにおける注釈付き医療データの不足に取り組むために、半教師あり学習を活用する。
• 冠動脈の解剖学的形状に適合したデータオーギュメンテーションを用いて、狭窄部検出におけるモデルの汎化性と耐性を向上させる。
• モデルアンサンブルに依存せずに高い性能を達成し、推論速度とメモリ効率を最適化する。
• 臨床的X線アンギオグラフィーにおける定量的狭窄評価のためのスケーラブルで効率的かつ正確な自動ソリューションを開発する。

提案手法

• 3次元冠動脈構造を模倣し、トレーニングデータの多様性を向上させるために、アフィン変換、透視変換、回転、スケーリング、シアーを含む射影変換をデータオーギュメンテーションとして採用した。
• 事前学習済みYOLOv8mモデルを用いて、非ラベル付き血管セグメンテーションデータセット上で偽ラベルを生成する、偽ラベルベースの半教師あり学習戦略を適用した。
• 元の狭窄ラベル付きデータセットと偽ラベル付き血管データセットを統合し、アンサンブルを回避するための最終的な統一されたYOLOv8mモデルを学習した。
• 偽ラベル品質の制御と過学習の防止のため、信頼度のしきい値とデータオーギュメンテーションのハイパーパrameter（例：確率、範囲）を用いた。
• データの多様性とラベル品質のバランスを取ることでトレーニングを最適化し、性能が低かったソフトラベルや複雑な事前学習戦略を避けることとした。
• リアルタイム推論を可能にするために、効率性とセグメンテーションタスクにおける強力な性能を示すとして、YOLOv8mをバックボーンモデルとして選定した。

実験結果

リサーチクエスチョン

• RQ1 冠動脈解剖学に適合した射影データオーギュメンテーションは、狭窄部セグメンテーションにおける汎化性を向上させることができるか？
• RQ2 追加の注釈が不要な状態で、非ラベル付きアンギオグラムの偽ラベル化がモデル性能を向上させることができるか？
• RQ3 アンサンブル手法を用いずに、1つのディープラーニングモデルが推論効率を維持したまま、狭窄部検出において優れた性能を発揮できるか？
• RQ4 偽ラベル付きデータの統合は、実臨床の課題における狭窄部セグメンテーションのF1スコアと耐性にどのように影響を与えるか？

主な発見

• 半教師ありモデルはARCADEテストセットにおいて平均F1スコア0.536を達成し、完全教師ありYOLOv8mベースライン（0.520）を上回った。
• この向上は、偽ラベル付き血管画像を通じてより多様で代表的なデータセットにモデルがさらされたことに起因するとされた。
• 一部のケースで低品質な偽ラベルであったにもかかわらず、半教師ありアプローチは狭窄部の検出に優れており、偽陰性を低減した。
• モデルアンサンブルを一切使用せず、ARCADE狭窄部検出アルゴリズムチャレンジで最良の性能を記録した。これは、本手法の効率性とスケーラビリティを示している。
• 例えば、ラベル付きデータと偽ラベル付きデータを統合して学習するといった単純なトレーニング戦略が、事前学習やソフトラベルの使用といった複雑な代替手法を上回った。
• 偽ラベル化の信頼度しきい値を低くするとトレーニングが加速したが、過学習が増加し、全体の性能が低下した。