[論文レビュー] Unsupervised Body Part Regression via Spatially Self-ordering Convolutional Neural Networks

Ke Yan, Le Lü+1 more|arXiv (Cornell University)|Jul 12, 2017

Advanced X-ray and CT Imaging参考文献 5被引用数 6

ひとこと要約

本稿では、優位下方向のスライス順序を利用することで、ラベルなしCTボリュームから連続的で正規化された身体部座標系を学習する、新しいCNNベースの手法である教師なし身体部回帰（UBR）を提案する。スライス間の関係を順序と距離の損失関数を用いた自己組織化プロセスで扱うことで、手動アノテーションが一切不要でありながらも、精度の高い身体部回帰を達成し、教師ありベースラインを上回り、転移学習や異常検出への応用を可能にする。

ABSTRACT

Automatic body part recognition for CT slices can benefit various medical image applications. Recent deep learning methods demonstrate promising performance, with the requirement of large amounts of labeled images for training. The intrinsic structural or superior-inferior slice ordering information in CT volumes is not fully exploited. In this paper, we propose a convolutional neural network (CNN) based Unsupervised Body part Regression (UBR) algorithm to address this problem. A novel unsupervised learning method and two inter-sample CNN loss functions are presented. Distinct from previous work, UBR builds a coordinate system for the human body and outputs a continuous score for each axial slice, representing the normalized position of the body part in the slice. The training process of UBR resembles a self-organization process: slice scores are learned from inter-slice relationships. The training samples are unlabeled CT volumes that are abundant, thus no extra annotation effort is needed. UBR is simple, fast, and accurate. Quantitative and qualitative experiments validate its effectiveness. In addition, we show two applications of UBR in network initialization and anomaly detection.

研究の動機と目的

• 深層学習における医療画像解析の分野でラベル付きデータが不足している問題、特にCTスキャンにおける身体部認識の分野に対処すること。
• CTボリュームに内在する優位下方向の順序を、手動アノテーションなしでトレーニングの自己教師信号として活用すること。
• スライスごとに正規化された身体座標を出力する連続的レジレッサーを構築し、解剖学的局所化の細分化を可能にすること。
• UBRの下流タスクへの有用性を、病変検出やCTスキャンにおける異常検出の分野で示すこと。
• 大規模なアノテート済みデータセットに依存しない、シンプルで高速かつ高精度な教師なし手法を確立すること。

提案手法

• UBRは、特徴抽出のため、ImageNetで事前学習された重み（例：VGG-16 や AlexNet）を初期値とするCNNアーキテクチャを用いる。
• グローバル平均プーリングの直前に、512 ×1×1フィルタとReLU活性化関数を持つカスタムConv6層を追加し、判別的特徴を学習する。
• ネットワークは、軸方向CTスライスごとに連続的なスコアを出力し、身体の優位下方向軸に沿った正規化された位置を表す。
• 2つの教師なし損失関数を用いる：順序損失（スライスインデックスに伴いスコアが単調増加するよう制約）と距離損失（スコアの差が空間的距離に比例するよう制約）。
• ミニバッチ学習では、g個のボリュームから成るグループを用い、各ボリュームがm個の等間隔スライスを提供する。開始スライスjと間隔kをランダムにサンプリングする。
• 局所的なスライス間関係から自己組織化プロセスが生じ、監視なしにグローバルな座標系が形成される。

実験結果

リサーチクエスチョン

• RQ1 深層CNNは、スライス順序のみを教師信号として用いることで、ラベルなしCTボリュームから連続的で正規化された身体部座標系を学習できるか？
• RQ2 提案されたマルチスライス間スライス損失戦略は、単一ペアやシアン型アプローチと比較して、回帰精度においてどのように差がつくか？
• RQ3 UBRは、病変検出などの下流医療画像タスクのための深層学習モデルの初期化に効果的に利用できるか？
• RQ4 スライススコアの軌道のずれを分析することで、UBRはスキャンアーティファクトや大きな病変といった異常を検出できるか？
• RQ5 手動アノテーションが存在しないことで、トレーニングコストが著しく削減され、性能が維持または向上するか？

主な発見

• UBRは、微調整用に88枚の追加ラベル付きCTボリュームを必要とする教師ありベースラインを上回り、教師なし自己組織化の有効性を示している。
• 順序損失と距離損失の組み合わせにより、特にグループあたりm ≤ 12スライスのとき、回帰精度が向上している。
• UBRを用いてImageNetで事前学習したネットワークを初期化すると、Faster R-CNNベースの病変検出タスクで74.82％のリCALLを達成し、ImageNetのみの初期化（73.84％）を上回る高い初期検出精度を達成した。
• UBRベースの異常検出手法は、非単調なスコア曲線を示す異常CTボリューム（例：腹水や誤ったスキャン方向）を、スライスインデックスとスコアの間の相関係数（r < 0.99）が低いことによって効果的に同定した。
• 絶対的なインデックスに依存せず、相対的な空間的関係を学習するため、変動するスキャン範囲やスライス間隔に対しても、本手法は頑健である。
• UBRフレームワークはシンプルで高速かつ高精度であり、手動ラベリングが不要で、ネットワーク初期化や異常検出への応用を可能にする。