[論文レビュー] Y-net: Biomedical Image Segmentation and Clustering

Sharmin Pathan, Anant Tripathi|arXiv (Cornell University)|Apr 12, 2020

AI in cancer detection参考文献 7被引用数 11

ひとこと要約

本論文では、疾患重症度分析のため、生体医療画像のセグメンテーションと非教師付きクラスタリングを統合的に実行するY-netという統合的ディーブラーニングアーキテクチャを提案する。自己符号化器のエンコーダーから得られる特徴をセグメンテーションヘッドとK-meansクラスタリングヘッドの間で共有することにより、Y-netはUNet や DeepLab よりも半分以下のパラメータ数で、ISIC 2018 および Cityscapes で最先端の性能を達成し、効率的で低コストかつ自動化された診断支援を可能にする。

ABSTRACT

We propose a deep clustering architecture alongside image segmentation for medical image analysis. The main idea is based on unsupervised learning to cluster images on severity of the disease in the subject's sample, and this image is then segmented to highlight and outline regions of interest. We start with training an autoencoder on the images for segmentation. The encoder part from the autoencoder branches out to a clustering node and segmentation node. Deep clustering using Kmeans clustering is performed at the clustering branch and a lightweight model is used for segmentation. Each of the branches use extracted features from the autoencoder. We demonstrate our results on ISIC 2018 Skin Lesion Analysis Towards Melanoma Detection and Cityscapes datasets for segmentation and clustering. The proposed architecture beats UNet and DeepLab results on the two datasets, and has less than half the number of parameters. We use the deep clustering branch for clustering images into four clusters. Our approach can be applied to work with high complexity datasets of medical imaging for analyzing survival prediction for severe diseases or customizing treatment based on how far the disease has propagated. Clustering patients can help understand how binning should be done on real valued features to reduce feature sparsity and improve accuracy on classification tasks. The proposed architecture can provide an early diagnosis and reduce human intervention on labeling as it can become quite costly as the datasets grow larger. The main idea is to propose a one shot approach to segmentation with deep clustering.

研究の動機と目的

• 生体医療画像において、画像セグメンテーションと非教師付きクラスタリングの両方を実行する統合的ディーブラーニングフレームワークの開発。
• 疾患重症度に基づいた自己教師付きクラスタリングを可能にすることで、高価な人為的ラベル付けへの依存度を低減。
• 共有された特徴表現を用いて、同時にセグメンテーションの性能を向上させるとともに、臨床的に意味のあるクラスタに画像をグループ化。
• 医療画像における疾患進行パターンの同定を通じて、早期診断と個別化治療計画の支援。
• 軽量なセグメンテーションヘッドと共有エンコーダーを用いることで、既存のアーキテクチャを下回るパラメータ数にモデルの複雑さを最小限に抑える。

提案手法

• エンコーダーを共有バックボーンとして使用するように、エンドツーエンドで最適化される自己符号化器を訓練し、コンactな画像表現を学習。
• エンコーダーの特徴を二つのブランチに分割：一つは軽量なデコーダーを用いたセグメンテーション、もう一つは潜在特徴量上のK-meansを用いたクラスタリング。
• クラスタリングブランチは、自己符号化器のボトルネック特徴量を用い、疾患重症度に基づいて画像を4つのクラスタにグループ化。
• セグメンテーションブランチは、浅いデコーダーを用いて入力画像を再構築し、ピクセル単位の精度を最適化。
• ネットワーク全体を共同で訓練し、セグメンテーションとクラスタリングの目的関数を同時に最適化。
• アーキテクチャは、ISIC 2018 および Cityscapes データセットで評価され、パラメータ数を削減しながら性能向上を示した。

実験結果

リサーチクエスチョン

• RQ1 1つのディーブラーニングモデルが、生体医療画像において、画像セグメンテーションと非教師付きクラスタリングの両方を効果的に実行できるか。
• RQ2 セグメンテーションとクラスタリングの共同学習は、個別に訓練されたモデルと比較して、性能をどのように向上させるか。
• RQ3 共有された特徴学習は、複雑さを低減しつつ、精度を維持または向上させることができるか。
• RQ4 学習された特徴に基づくクラスタリングは、連続的な臨床的特徴のビニングや、後続の分類タスクにおけるスパarsityの低減に寄与するか。
• RQ5 提案されたワンショットアプローチは、医療画像解析における高価な人為的ラベル付けの必要性をどの程度低減できるか。

主な発見

• Y-netは、ISIC 2018 および Cityscapes データセットの両方で、UNet や DeepLab を上回るセグメンテーション性能を達成。
• ベースラインモデルよりも半分以下のパラメータ数で、優れた結果を達成。
• ディープクラスタリングブランチは、疾患重症度に基づいて画像を4つの臨床的に意味のあるクラスタに成功してグループ化。
• 共有エンコーダーのアーキテクチャにより、効率的な特徴再利用が可能となり、モデルの複雑さと推論コストが低減。
• フレームワークは、生存予測や治療の個別化に応用可能な高複雑度の医療画像タスクに対しても、早期診断を支援。
• 自己教師付きクラスタリングを可能にすることで、人為的ラベル付けへの依存度を低減し、データセットの規模拡大に伴う重要性が高まる。