[논문 리뷰] SSLM: Self-Supervised Learning for Medical Diagnosis from MR Video.

Siladittya Manna, Saumik Bhattacharya외 1명|arXiv (Cornell University)|2021. 04. 21.

Domain Adaptation and Few-Shot Learning참고 문헌 41인용 수 7

한 줄 요약

이 논문은 무단어 MRI 영상 클립에서 공간 해부학적 표현을 학습하는 자기지도 학습 프레임워크인 SSLM을 제안한다. 맥락 불변 특징을 포착하는 사전 학습 태스크를 통해 사전 학습한 SSLM은 데이터 재가중 또는 오버샘플링 없이도 클래스 불균형이 심한 다중 레이블 분류 과제에서 뛰어난 성능을 기록하며, 소수 클래스에 대해서도 신뢰성 있는 성능을 보여주었다.

ABSTRACT

In medical image analysis, the cost of acquiring high-quality data and their annotation by experts is a barrier in many medical applications. Most of the techniques used are based on supervised learning framework and need a large amount of annotated data to achieve satisfactory performance. As an alternative, in this paper, we propose a self-supervised learning approach to learn the spatial anatomical representations from the frames of magnetic resonance (MR) video clips for the diagnosis of knee medical conditions. The pretext model learns meaningful spatial context-invariant representations. The downstream task in our paper is a class imbalanced multi-label classification. Different experiments show that the features learnt by the pretext model provide explainable performance in the downstream task. Moreover, the efficiency and reliability of the proposed pretext model in learning representations of minority classes without applying any strategy towards imbalance in the dataset can be seen from the results. To the best of our knowledge, this work is the first work of its kind in showing the effectiveness and reliability of self-supervised learning algorithms in class imbalanced multi-label classification tasks on MR video. The code for evaluation of the proposed work is available at this https URL

연구 동기 및 목표

• MRI 기반 진단에서 전문가가 주석을 달아준 의료 영상 데이터의 높은 비용과 부족함을 해결하기 위해.
• 무단어 MRI 영상 클립을 활용하여 의미 있는 공간 표현을 학습하는 자기지도 학습 접근법을 개발하기 위해.
• 무릎 병변에 대한 어려운 클래스 불균형이 심한 다중 레이블 분류 설정에서 자기지도 학습 특징의 효과성을 평가하기 위해.
• 제안된 방법이 명시적인 데이터 수준의 균형 조정 전략 없이도 소수 질환 클래스의 성능을 향상시킬 수 있음을 보여주기 위해.

제안 방법

• 프리텍스트 태스크를 통해 레이블이 없는 MRI 영상 클립의 프레임에서 공간적 맥락 불변 표현을 학습하며, 주석이 필요하지 않다.
• 대비 학습 기반 프레임워크를 사용하여 사전 학습 태스크에서 모델을 사전 학습함으로써, 레이블이 없는 데이터로부터 특징을 학습한다.
• 학습된 표현은 불균형한 데이터 분포를 가진 후행 다중 레이블 분류 과제에서 미세조정된다.
• 모델 아키텍처는 영상 간의 공간 해부학적 구조를 유지하도록 설계되어 진단의 관련성을 향상시킨다.
• 후행 과제에서 데이터 증강 또는 클래스 재가중 전략을 적용하지 않아 원래 데이터셋의 불균형 상태를 유지한다.

실험 결과

연구 질문

• RQ1 무단어 MRI 영상 클립에서 자기지도 표현 학습이 무릎 질환 진단 성능을 향상시킬 수 있는가?
• RQ2 제안된 방법은 다중 레이블, 클래스 불균형 분류 과제에서 소수 클래스에 대해 어떻게 성능을 내는가?
• RQ3 프리텍스트 태스크가 후행 진단에 유용한 공간 불변 해부학적 특징을 효과적으로 학습할 수 있는가?
• RQ4 제한된 레이블이 있는 경우 자기지도 접근법이 감독 기반 베이스라인을 능가하거나 동등하게 성능을 내는가?

주요 결과

• SSLM이 학습한 자기지도 특징는 데이터 수준의 균형 조정 없이도 후행 다중 레이블 분류 과제에서 뛰어난 성능을 기록한다.
• 모델은 소수 클래스 질환 조건을 예측하는 데 특히 뛰어난 신뢰성을 보이며, 클래스 불균형에 비해 기대 이상의 성능을 내고 있다.
• 프리텍스트 모델은 공간 해부학적 맥락을 효과적으로 포착하여 설명 가능하고 진단적으로 관련성이 높은 표현을 만들어냈다.
• 결과적으로 자기지도 사전 학습이 의료 영상 분석에서 데이터 부족과 클래스 불균형 문제를 효과적으로 완화할 수 있음을 보여주었다.