[論文レビュー] Unsupervised domain adaptation in brain lesion segmentation with adversarial networks

Konstantinos Kamnitsas, Christian F. Baumgartner+9 more|arXiv (Cornell University)|Dec 28, 2016

Domain Adaptation and Few-Shot Learning参考文献 18被引用数 7

ひとこと要約

本稿では、標的ドメインのアノテーションが不要な状態でドメイン不変特徴を学習するため、敵対的ニューラルネットワークを用いた教師なしドメイン適応手法を提案する。セグメンテーションネットワークをデータソース（ソースまたはターゲットドメイン）を分類するドメイン識別器に対して敵対的に訓練し、マルチコネクトドメインアダプティブラーニングを導入することで、マルチスキャナーMRIデータセット上で教師ありドメイン適応ベースラインに近いセグメンテーション精度を達成した。

ABSTRACT

Significant advances have been made towards building accurate automatic segmentation systems for a variety of biomedical applications using machine learning. However, the performance of these systems often degrades when they are applied on new data that differ from the training data, for example, due to variations in imaging protocols. Manually annotating new data for each test domain is not a feasible solution. In this work we investigate unsupervised domain adaptation using adversarial neural networks to train a segmentation method which is more invariant to differences in the input data, and which does not require any annotations on the test domain. Specifically, we learn domain-invariant features by learning to counter an adversarial network, which attempts to classify the domain of the input data by observing the activations of the segmentation network. Furthermore, we propose a multi-connected domain discriminator for improved adversarial training. Our system is evaluated using two MR databases of subjects with traumatic brain injuries, acquired using different scanners and imaging protocols. Using our unsupervised approach, we obtain segmentation accuracies which are close to the upper bound of supervised domain adaptation.

研究の動機と目的

• 異なる画像プロトコルやスキャナーからのデータにモデルを展開した際の生物医学的画像セグメンテーション性能の低下を解消すること。
• ターゲットドメインでの手動アノテーションを必要とせずにドメインを越えて一般化できる手法を開発すること。
• 3次元医療画像セグメンテーションにおけるドメイン不変表現学習のための敵対的訓練を調査すること。
• 適応の深さと適応の強度がセグメンテーション性能に与える影響を評価すること。

提案手法

• ソースドメインまたはターゲットドメイン由来の特徴であるかを分類しようとするドメイン識別器に対して、3次元U-Netベースのセグメンテーションネットワークを敵対的に訓練する。
• ドメイン識別器をセグメンテーションネットワークの複数の層に接続することで（マルチコネクトドメインアダプティブラーニング）、階層的特徴表現全体にわたるドメイン不変性を強制する。
• 勾配逆転層を用いて、ドメイン識別器の分類精度を最小化する特徴を学習しつつ、セグメンテーション性能を最大化するように、勾配を逆方向にバックプロパゲートする。この際、徐々に増加する重み係数αを用いたドメイン敵対的損失を用いる。
• 勾配逆転層を用いることで、セグメンテーションネットワークがドメイン分類精度を最小化する特徴を学習しつつ、セグメンテーション性能を最大化できるようにする。
• 2つのマルチセンターMRIデータセット（異なるスキャナーとプロトコル）を用いて、Diceスコアなどのセグメンテーション指標で評価する。
• エンドツーエンドで、ソースラベル付きデータとターゲット非ラベル付きデータのみを用いて学習し、マルチセンター研究における実世界の展開を模擬する。

実験結果

リサーチクエスチョン

• RQ1 ターゲットドメインのアノテーションがなくても、敵対的訓練が脳病変セグメンテーションにおけるドメインシフトを効果的に低減できるか？
• RQ2 特徴適応の深さ（すなわち、どのネットワーク層が識別器に接続されているか）がセグメンテーション性能に与える影響は何か？
• RQ3 ドメイン不変性と情報保持のバランスを最適化するための、敵対的適応の最適な強度（α_maxで制御）は何か？
• RQ4 マルチコネクトドメインアダプティブラーニングは、単一層適応と比較して、セグメンテーション精度とロバスト性において優れているか？
• RQ5 教師ありドメイン適応の性能に、どの程度まで教師なしドメイン適応が近づけるか？（マルチスキャナー神経画像診断環境において）

主な発見

• 提案手法は、ターゲットドメインでDiceスコア62.7％を達成し、研究内での教師ありドメイン適応の上限（63.2％）に非常に近い性能を示した。
• 特に深い層（例：L(2,4,6,8,10)）に接続するマルチコネクトドメインアダプティブラーニングは、早期層適応と比較して過剰セグメンテーションを顕著に低減し、精度とDiceスコアを向上させた。
• 適応強度（α_max ∈ [0.05, 1.0]）の広い範囲で性能が安定しており、中程度から強い適応でも結果が劣化しないため、本手法は適応強度に強く依存しない。
• 早期層の適応は過剰セグメンテーション（再現率は上昇するが、正確率は低下）を引き起こし、初期特徴はドメイン固有性が強く、ドメイン不変学習に不適切であると考えられる。
• 非適応モデルや単一層敵対的ベースラインと比較して、本手法は階層的でマルチコネクトなドメイン適応の利点を示しており、性能が優れている。
• 結果から、ターゲットドメインにラベルがなくてもドメイン不変性を効果的に学習可能であることが示され、本手法はマルチセンター神経画像診断研究に非常に適している。