SegViz: A Federated Learning Framework for Medical Image Segmentation from Distributed Datasets with Different and Incomplete Annotations

要約

セグメンテーションは、複数のダウンストリーム臨床アプリケーションにより、医用画像におけるディープラーニングのアプリケーションにおける主要なタスクの 1 つです。
その結果、さまざまな解剖学的構造のセグメンテーションのために、多くの大規模なセグメンテーション データセットがキュレートされ、リリースされています。
ただし、これらのデータセットは、体内の解剖学的構造のサブセットのセグメンテーションに焦点を当てているため、各データセットのモデルをトレーニングすると、数百のモデルが生成される可能性があり、臨床的な翻訳の有用性が制限されます。
さらに、これらのデータセットの多くは同じ視野を共有していますが、注釈のサブセットが異なるため、個々のデータセットの注釈が不完全になります。
そのために、SegViz を開発しました。これは、分散された医療画像セグメンテーション データセットからの知識を、さまざまな不完全な注釈とともに「グローバル」メタモデルに集約するためのフェデレーテッド ラーニング フレームワークです。
SegViz フレームワークは、10 エポックごとに重みを集計することにより、肝臓と脾臓の両方のノードからの集計知識をセグメント化できる単一のモデルを構築するようにトレーニングされました。
グローバル SegViz モデルは、サイコロ類似度 (DS) メトリックを使用した肝臓と脾臓の両方の注釈を含む外部データセット、Beyond the Cranial Vault (BTCV) でテストされました。
それぞれのデータセットでトレーニングされた脾臓と肝臓のベースライン個別セグメンテーション モデルは、BTCV テスト セットで 0.834 と 0.878 の DS スコアを生成しました。
比較すると、SegViz モデルは、脾臓と肝臓のセグメンテーションについて、それぞれ 0.829 と 0.899 の匹敵する平均 DS スコアを生成しました。
私たちの結果は、SegViz が、分散データセットから臨床的に翻訳可能なマルチタスク セグメンテーション モデルをトレーニングするための重要な第一歩であることを示しています。

要約(オリジナル)

Segmentation is one of the primary tasks in the application of deep learning in medical imaging, owing to its multiple downstream clinical applications. As a result, many large-scale segmentation datasets have been curated and released for the segmentation of different anatomical structures. However, these datasets focus on the segmentation of a subset of anatomical structures in the body, therefore, training a model for each dataset would potentially result in hundreds of models and thus limit their clinical translational utility. Furthermore, many of these datasets share the same field of view but have different subsets of annotations, thus making individual dataset annotations incomplete. To that end, we developed SegViz, a federated learning framework for aggregating knowledge from distributed medical image segmentation datasets with different and incomplete annotations into a `global` meta-model. The SegViz framework was trained to build a single model capable of segmenting both liver and spleen aggregating knowledge from both these nodes by aggregating the weights after every 10 epochs. The global SegViz model was tested on an external dataset, Beyond the Cranial Vault (BTCV), comprising both liver and spleen annotations using the dice similarity (DS) metric. The baseline individual segmentation models for spleen and liver trained on their respective datasets produced a DS score of 0.834 and 0.878 on the BTCV test set. In comparison, the SegViz model produced comparable mean DS scores of 0.829 and 0.899 for the segmentation of the spleen and liver respectively. Our results demonstrate SegViz as an essential first step towards training clinically translatable multi-task segmentation models from distributed datasets with disjoint incomplete annotations with excellent performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google