[論文レビュー] A Survey on Deep Learning of Small Sample in Biomedical Image Analysis

Pengyi Zhang, Yunxin Zhong+3 more|arXiv (Cornell University)|Aug 1, 2019

AI in cancer detection参考文献 95被引用数 33

ひとこと要約

要約: 生物医用画像解析における主要な小サンプル学習（SSL）技術の調査で、5つのカテゴリに整理され、臨床意思決定を支援するモデル解釈法を含む。

ABSTRACT

The success of deep learning has been witnessed as a promising technique for computer-aided biomedical image analysis, due to end-to-end learning framework and availability of large-scale labelled samples. However, in many cases of biomedical image analysis, deep learning techniques suffer from the small sample learning (SSL) dilemma caused mainly by lack of annotations. To be more practical for biomedical image analysis, in this paper we survey the key SSL techniques that help relieve the suffering of deep learning by combining with the development of related techniques in computer vision applications. In order to accelerate the clinical usage of biomedical image analysis based on deep learning techniques, we intentionally expand this survey to include the explanation methods for deep models that are important to clinical decision making. We survey the key SSL techniques by dividing them into five categories: (1) explanation techniques, (2) weakly supervised learning techniques, (3) transfer learning techniques, (4) active learning techniques, and (5) miscellaneous techniques involving data augmentation, domain knowledge, traditional shallow methods and attention mechanism. These key techniques are expected to effectively support the application of deep learning in clinical biomedical image analysis, and furtherly improve the analysis performance, especially when large-scale annotated samples are not available. We bulid demos at https://github.com/PengyiZhang/MIADeepSSL.

研究の動機と目的

• 注釈が限られるため、生物医用画像分析におけるSSLの必要性を動機づける。
• 小規模データセットで深層学習の性能を向上させるために用いられる主要なSSL技術を要約する。
• 臨床現場での実践を導くため、SSLアプローチを5つのカテゴリに整理する。
• 臨床意思決定とモデルの透明性に不可欠な解釈法を強調する。

提案手法

• SSL技術を5つのカテゴリ（解釈技術、弱教師あり学習、転移学習、アクティブ学習、その他の技術）に分類する。
• データ拡張、ドメイン知識、従来の浅い手法、注意機構を補助手法として議論する。
• 臨床意思決定を支援するための解釈法の統合を強調する。
• 生物医用画像診断における深層学習の臨床利用を加速する枠組みを構築する。
• 概念を示すデモをオンラインURLで提供する。

実験結果

リサーチクエスチョン

• RQ1 注釈データが乏しい場合に生物医用画像分析でどのようなSSL技術が存在するか？
• RQ2 解釈法および他の補助技術（データ拡張、ドメイン知識、浅い手法、注意機構）は臨床コンテクストでSSLをどう支援できるか？
• RQ3 SSLアプローチをどのように整理して生物医用画像タスクの実用性と採用を高められるか？
• RQ4 SSLベースのモデルを臨床導入を加速するための実務的考慮事項は何か？

主な発見

• SSL技術の5つのカテゴリを特定し、説明技術、弱教師あり学習、転移学習、アクティブ学習、その他のアプローチを説明する。
• データ拡張、ドメイン知識、伝統的な浅い手法、注意機構が有用な補助ツールとして強調される。
• 解釈法は臨床意思決定とモデルの透明性にとって重要であると強調される。
• この調査は生物医用画像解析のSSL戦略を整理・明確化することで臨床利用を加速することを目的とする。
• 概念を示すデモがオンラインURLで提供されている。