Unsupervised Domain Adaptation for Pediatric Brain Tumor Segmentation

要約

成人神経膠腫の正確な自動セグメンテーション モデルの構築に向けて大幅な進歩が見られました。
ただし、これらのモデルのパフォーマンスは、画像と臨床上の違い (ドメイン シフト) により、小児神経膠腫に適用すると低下することがよくあります。
小児神経膠腫は稀な性質があるため、注釈付きの十分なデータを入手することは通常困難です。
また、手動による注釈は数が少なく、高価です。
この研究では、成人神経膠腫 (ソース ドメイン) から小児神経膠腫 (ターゲット ドメイン) への教師なしドメイン適応を実行する Domain-Adapted nnU-Net (DA-nnUNet) を提案します。
具体的には、勾配反転層 (GRL) に接続されたドメイン分類器をバックボーン nnU-Net に追加します。
分類器が非常に高い精度に達すると、ソース ドメインのセグメンテーション精度を維持しながら、ドメイン不変の特徴を分類器からセグメンテーション モデルに転送することを目的として、GRL がアクティブ化されます。
分類器の精度は、偶然のレベルまで徐々に低下します。
ターゲット ドメインではアノテーションは使用されません。
この方法は、BraTS-Adult 神経膠腫 (N=1251) および BraTS-PED 神経膠腫データ (N=99) を使用して 8 つの異なる教師ありモデルと比較されます。
提案された方法は、成人データのみを使用するモデルと比較して、腫瘍コア (TC) 領域で顕著なパフォーマンス向上を示します。Dice スコアは最大 32% 向上し、95 パーセンタイル ハウスドルフ距離は最大 20 向上しました。
さらに、私たちの教師なしアプローチは、TC 領域の両方のデータセットからの手動アノテーションを使用した実際の上限モデルと比較して、統計的に有意な差を示しません。
コードは https://github.com/Fjr9516/DA_nnUNet で共有されています。

要約(オリジナル)

Significant advances have been made toward building accurate automatic segmentation models for adult gliomas. However, the performance of these models often degrades when applied to pediatric glioma due to their imaging and clinical differences (domain shift). Obtaining sufficient annotated data for pediatric glioma is typically difficult because of its rare nature. Also, manual annotations are scarce and expensive. In this work, we propose Domain-Adapted nnU-Net (DA-nnUNet) to perform unsupervised domain adaptation from adult glioma (source domain) to pediatric glioma (target domain). Specifically, we add a domain classifier connected with a gradient reversal layer (GRL) to a backbone nnU-Net. Once the classifier reaches a very high accuracy, the GRL is activated with the goal of transferring domain-invariant features from the classifier to the segmentation model while preserving segmentation accuracy on the source domain. The accuracy of the classifier slowly degrades to chance levels. No annotations are used in the target domain. The method is compared to 8 different supervised models using BraTS-Adult glioma (N=1251) and BraTS-PED glioma data (N=99). The proposed method shows notable performance enhancements in the tumor core (TC) region compared to the model that only uses adult data: ~32% better Dice scores and ~20 better 95th percentile Hausdorff distances. Moreover, our unsupervised approach shows no statistically significant difference compared to the practical upper bound model using manual annotations from both datasets in TC region. The code is shared at https://github.com/Fjr9516/DA_nnUNet.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google