[論文レビュー] Semi-supervised few-shot learning for medical image segmentation

Abdur Razzaq Fayjie, Reza Azad+4 more|arXiv (Cornell University)|Mar 18, 2020

Domain Adaptation and Few-Shot Learning参考文献 27被引用数 61

ひとこと要約

少数ショットのセマンティックセグメンテーションフレームワークは、代理タスクを介してラベルなし画像を活用し、医用画像セグメンテーションのより転送可能な特徴を学習する。皮膚病変データセットで示された。

ABSTRACT

Recent years have witnessed the great progress of deep neural networks on semantic segmentation, particularly in medical imaging. Nevertheless, training high-performing models require large amounts of pixel-level ground truth masks, which can be prohibitive to obtain in the medical domain. Furthermore, training such models in a low-data regime highly increases the risk of overfitting. Recent attempts to alleviate the need for large annotated datasets have developed training strategies under the few-shot learning paradigm, which addresses this shortcoming by learning a novel class from only a few labeled examples. In this context, a segmentation model is trained on episodes, which represent different segmentation problems, each of them trained with a very small labeled dataset. In this work, we propose a novel few-shot learning framework for semantic segmentation, where unlabeled images are also made available at each episode. To handle this new learning paradigm, we propose to include surrogate tasks that can leverage very powerful supervisory signals --derived from the data itself-- for semantic feature learning. We show that including unlabeled surrogate tasks in the episodic training leads to more powerful feature representations, which ultimately results in better generability to unseen tasks. We demonstrate the efficiency of our method in the task of skin lesion segmentation in two publicly available datasets. Furthermore, our approach is general and model-agnostic, which can be combined with different deep architectures.

研究の動機と目的

• 限られたピクセルレベルの注釈しかない状況で、正確な医用画像セグメンテーションの必要性を喚起する。
• 各エピソードでラベルなし画像も活用する few-shot セグメンテーションフレームワークを提案する。
• データから派生した代理タスクを導入し、強力な監督信号を提供する。
• 学習した特徴の未見のセグメンテーションタスクへの一般化能力の改善を示す。

提案手法

• ラベル付きの例が少ない状態で、さまざまなセグメンテーション問題を表すエピソードでセグメンテーションモデルを訓練する。
• 各エピソードでラベルなし画像を組み込み、監督信号を豊かにする。
• データ由来の監督信号を活用する代理タスクを導入し、特徴学習を行う。
• 代理タスクが特徴表現と一般化能力を改善することを示す。
• アプローチを異なるアーキテクチャと組み合わせ可能にするため、モデルに依存しない互換性を維持する。

実験結果

リサーチクエスチョン

• RQ1 各エピソード内で使用されるラベルなし画像は、few-shot 医用画像セグメンテーションの性能を向上させることができますか？
• RQ2 データに基づく代理タスクは、未見のセグメンテーションタスクの学習された特徴表現を改善しますか？
• RQ3 提案されたフレームワークはさまざまな深層セグメンテーションアーキテクチャと互換性がありますか？
• RQ4 公開されている皮膚病変セグメンテーションデータセットで方法はどのように機能しますか？

主な発見

• ラベルなしの代理タスクを含めると、より強力な特徴表現につながる。
• 本手法は未見のセグメンテーションタスクへの一般化能力を向上させる。
• 本手法は公開されている2つの皮膚病変データセットの両方で有効である。
• このフレームワークはモデル非依存で、さまざまなアーキテクチャと組み合わせ可能である。