[论文解读] Embracing the Disharmony in Medical Imaging: A Simple and Effective Framework for Domain Adaptation

Rongguang Wang, Pratik Chaudhari+1 more|arXiv (Cornell University)|Mar 23, 2021

Domain Adaptation and Few-Shot Learning参考文献 111被引用 58

一句话总结

该论文提出了一种新颖的域自适应框架，通过利用标签感知的自适应和辅助任务，而非纠正数据不一致，来主动接纳医学影像中的数据不一致。该方法在阿尔茨海默病和精神分裂症分类的3D脑部MRI数据集上，实现了显著的性能提升，无论是在研究内自适应还是研究间泛化方面，均优于强制实现表示不变性的方法。

ABSTRACT

Domain shift, the mismatch between training and testing data characteristics, causes significant degradation in the predictive performance in multi-source imaging scenarios. In medical imaging, the heterogeneity of population, scanners and acquisition protocols at different sites presents a significant domain shift challenge and has limited the widespread clinical adoption of machine learning models. Harmonization methods which aim to learn a representation of data invariant to these differences are the prevalent tools to address domain shift, but they typically result in degradation of predictive accuracy. This paper takes a different perspective of the problem: we embrace this disharmony in data and design a simple but effective framework for tackling domain shift. The key idea, based on our theoretical arguments, is to build a pretrained classifier on the source data and adapt this model to new data. The classifier can be fine-tuned for intra-site domain adaptation. We can also tackle situations where we do not have access to ground-truth labels on target data; we show how one can use auxiliary tasks for adaptation; these tasks employ covariates such as age, gender and race which are easy to obtain but nevertheless correlated to the main task. We demonstrate substantial improvements in both intra-site domain adaptation and inter-site domain generalization on large-scale real-world 3D brain MRI datasets for classifying Alzheimer's disease and schizophrenia.

研究动机与目标

• 解决多中心医学影像中的域偏移问题，其中扫描仪、人群和扫描协议的差异会降低模型的泛化能力。
• 克服现有数据调和方法的局限性，这些方法通过强制实现表示不变性反而降低了预测准确性。
• 开发一种实用的框架，利用标签信息实现研究内自适应，并在无需目标标签的情况下实现研究间泛化。
• 利用易于获取的人口学协变量（年龄、性别、种族）作为辅助任务，以指导模型适应新的成像条件。
• 提升模型在不同年龄组、种族群体和扫描仪类型中的性能，尤其针对代表性不足的子群体。

提出的方法

• 在源数据上预训练深度分类器，并通过使用标签信息对子组（如年龄、种族、扫描仪类型）进行微调，以实现研究内自适应。
• 在微调过程中引入正则化项，以稳定在多样化人群和成像设备上的自适应过程。
• 在研究间泛化中，对目标域数据使用辅助任务（如性别分类和年龄回归），而无需依赖真实标签。
• 使用源数据联合训练共享特征提取器，以同时支持主任务（如疾病分类）和辅助任务。
• 仅使用辅助任务监督在目标域上微调特征提取器，同时通过源数据正则化主任务头。
• 利用人口学协变量作为代理信号，实现跨域特征对齐，从而在无需直接访问标签的情况下实现可迁移性。

实验结果

研究问题

• RQ1 通过微调主动接纳域不一致，是否能相比学习表示不变性，提升医学影像中的预测准确性？
• RQ2 当目标标签不可用时，辅助任务学习（如年龄和性别预测）在实现域泛化方面的有效性如何？
• RQ3 在单个研究内，对子组（如年龄范围、扫描仪类型）进行标签感知微调，能在多大程度上提升模型性能？
• RQ4 在神经影像跨研究迁移中，年龄预测是否比性别分类作为辅助任务更有效？
• RQ5 迁移学习是否能缓解在不同成像研究中代表性不足群体（如老年人、非裔美国人）的性能差异？

主要发现

• 在>80岁年龄组中，阿尔茨海默病分类准确率从88.62%提升至97.10%，表明该方法在研究内自适应方面具有显著优势。
• 在PENN数据集中，非裔美国人群体的预测准确率从95.36%提升至98.15%，经迁移学习后显著减少了性能差距。
• 在PENN数据集中，高加索人群体的准确率从90.23%提升至97.93%，表明即使对多数群体也具有显著收益。
• 在AIBL数据集中，西门子Trio扫描仪的性能从90.88%提升至98.51%，凸显了针对特定扫描仪的显著改进。
• 在所有实验中，年龄预测作为辅助任务的表现始终优于性别分类，表明其与神经影像域偏移具有更强的一致性。
• 该框架在研究间泛化方面实现了显著提升，精神分裂症分类准确率从基线的51.02%提高至更高水平，当使用辅助任务时。