[논문 리뷰] A Survey on Deep Learning of Small Sample in Biomedical Image Analysis

Pengyi Zhang, Yunxin Zhong외 3명|arXiv (Cornell University)|2019. 08. 01.

AI in cancer detection참고 문헌 95인용 수 33

한 줄 요약

생물의학 영상 분석을 위한 주요 작은 샘플 학습(SSL) 기법의 체계적 고찰로, 다섯 가지 범주로 구성되고 임상 의사 결정 지원을 위한 모델 설명 방법을 포함합니다.

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.

연구 동기 및 목표

• Annotated 데이터가 제한되어 생물의학 영상 분석에서 SSL의 필요성을 촉진한다.
• 작은 데이터셋으로 심층 학습 성능을 향상시키기 위해 사용되는 주요 SSL 기법을 요약한다.
• 실무 지도를 위해 SSL 방법을 다섯 가지 범주로 조직한다.
• 임상 의사 결정 및 모델 투명성에 필수적인 설명 방법을 강조한다.

제안 방법

• 설명을 위한 기법, 약한 감독 학습, 전이 학습, 능동 학습, 및 기타 기법의 다섯 가지 범주로 SSL 기법을 분류한다.
• 데이터 증강, 도메인 지식, 전통적 얕은 방법, 주의 메커니즘을 보조 방법으로 논의한다.
• 임상 의사 결정 지원을 위한 설명 방법의 통합을 강조한다.
• 생물의학 영상에서 심층 학습의 임상 활용을 가속화하는 프레임워크를 구축한다.
• 개념을 시연하기 위해 온라인 URL을 통한 데모를 제공한다.

실험 결과

연구 질문

• RQ1 주석이 제한된 경우 생물의학 영상 분석에 어떤 SSL 기법이 존재하는가?
• RQ2 설명 방법 및 보조 기술(증강, 도메인 지식, 얕은 방법, 주의) 등이 임상 맥락에서 SSL을 어떻게 지원할 수 있는가?
• RQ3 SSL 접근법을 어떻게 체계화하여 생물의학 영상 작업의 실용성과 채택을 높일 수 있는가?
• RQ4 SSL 기반 모델의 임상 배치를 가속화하기 위한 실용적 고려사항은 무엇인가?

주요 결과

• 다섯 가지 범주로 구성된 SSL 기법이 확인되고 설명 기법, 약한 감독 학습, 전이 학습, 능동 학습, 및 기타 접근 방식으로 설명된다.
• 데이터 증강, 도메인 지식, 전통적 얕은 방법, 및 주의 메커니즘이 유용한 보조 도구로 강조된다.
• 설명 방법은 임상 의사 결정 및 모델 투명성에 중요하다고 강조된다.
• 본 조사는 생물의학 영상 분석을 위한 SSL 전략을 모으고 명확히 하여 임상 활용을 가속화하는 것을 목표로 한다.
• 개념을 시연하기 위한 온라인 URL에서 데모가 제공된다.