Multi-site Organ Segmentation with Federated Partial Supervision and Site Adaptation

要約

目的と影響の説明: 正確な臓器セグメンテーションは、さまざまな臓器に関係する特定のアプリケーション要件がある可能性がある、さまざまな臨床現場での多くの臨床アプリケーションにとって重要です。
はじめに: ただし、多数の注釈付き画像のオンサイトキュレーションが必要になることが多いため、高品質で部位固有の臓器セグメンテーション モデルを学習することは困難です。
セキュリティ上の懸念が問題をさらに複雑にしています。
方法: この論文は、2 段階のアグリゲーションとその後の適応アプローチを介してこれらの課題に取り組むことを目的としています。
フェデレーテッド アグリゲーションの第 1 フェーズでは、(i) 部分的な監視を提供するために異なる臓器ラベルを持つ複数のサイトからのデータセットを集約することによって形成される「より大きなデータ」の強みを活用して、単一の多臓器セグメンテーション モデルを学習します。(ii)
) データ侵害なしで部分的に教師あり学習を実施します。
サイト適応の第 2 段階は、各サイトの臓器セグメンテーション タスクのパフォーマンスをさらに向上させるために、連合多臓器セグメンテーション モデルをサイト固有の臓器セグメンテーション モデル (サイトごとに 1 つのモデル) に転送することです。
さらに、改善された限界損失関数と除外損失関数を使用して、部分的な監視メカニズムにおける「知識の競合」の問題を回避します。
結果と結論: 5 つの臓器セグメンテーション データセットに関する広範な実験により、マルチサイト アプローチの有効性が実証され、サイトごとの学習モデルを大幅に上回り、中央で学習されたモデルに匹敵するパフォーマンスが達成されました。

要約(オリジナル)

Objective and Impact Statement: Accurate organ segmentation is critical for many clinical applications at different clinical sites, which may have their specific application requirements that concern different organs. Introduction: However, learning high-quality, site-specific organ segmentation models is challenging as it often needs on-site curation of a large number of annotated images. Security concerns further complicate the matter. Methods: The paper aims to tackle these challenges via a two-phase aggregation-then-adaptation approach. The first phase of federated aggregation learns a single multi-organ segmentation model by leveraging the strength of ‘bigger data’, which are formed by (i) aggregating together datasets from multiple sites that with different organ labels to provide partial supervision, and (ii) conducting partially supervised learning without data breach. The second phase of site adaptation is to transfer the federated multi-organ segmentation model to site-specific organ segmentation models, one model per site, in order to further improve the performance of each site’s organ segmentation task. Furthermore, improved marginal loss and exclusion loss functions are used to avoid ‘knowledge conflict’ problem in a partially supervision mechanism. Results and Conclusion: Extensive experiments on five organ segmentation datasets demonstrate the effectiveness of our multi-site approach, significantly outperforming the site-per-se learned models and achieving the performance comparable to the centrally learned models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google