[논문 리뷰] A Systematic Review of Few-Shot Learning in Medical Imaging

Eva Pachetti, Sara Colantonio|arXiv (Cornell University)|2023. 09. 20.

Radiomics and Machine Learning in Medical Imaging인용 수 6

한 줄 요약

이 시스템적 리뷰는 2018–2023년 사이에 의료 영상에서 소수 샘플 학습(FSL)에 관한 80篇의 연구를 분석하며, 메타학습—특히 거리 기반 학습 기반 접근 방식—이 주요 방법임을 규명한다. 그러나 비메타학습 기법들인 예측 학습 및 준예측 학습 기법들이 더 뛰어난 성능을 보이며, 특히 심장, 폐 및 Abdomen 영상에서 데이터가 부족한 상황에서 FSL가 분할, 분류 및 정렬 작업에 효과적으로 활용됨을 확인한다.

ABSTRACT

The lack of annotated medical images limits the performance of deep learning models, which usually need large-scale labelled datasets. Few-shot learning techniques can reduce data scarcity issues and enhance medical image analysis, especially with meta-learning. This systematic review gives a comprehensive overview of few-shot learning in medical imaging. We searched the literature systematically and selected 80 relevant articles published from 2018 to 2023. We clustered the articles based on medical outcomes, such as tumour segmentation, disease classification, and image registration; anatomical structure investigated (i.e. heart, lung, etc.); and the meta-learning method used. For each cluster, we examined the papers' distributions and the results provided by the state-of-the-art. In addition, we identified a generic pipeline shared among all the studies. The review shows that few-shot learning can overcome data scarcity in most outcomes and that meta-learning is a popular choice to perform few-shot learning because it can adapt to new tasks with few labelled samples. In addition, following meta-learning, supervised learning and semi-supervised learning stand out as the predominant techniques employed to tackle few-shot learning challenges in medical imaging and also best performing. Lastly, we observed that the primary application areas predominantly encompass cardiac, pulmonary, and abdominal domains. This systematic review aims to inspire further research to improve medical image analysis and patient care.

연구 동기 및 목표

• 2018년부터 2023년까지 의료 영상에서 최신 소수 샘플 학습(FSL) 기법에 대한 종합적인 개요를 제공하기 위해.
• FSL 응용 분야의 분포(분할, 분류, 정렬), 해부학적 구조, 메타학습 방법에 따라 분석하기 위해.
• 의료 영상에서 FSL 연구의 성능, 강인성 및 방법론적 엄밀함을 평가하고, 평가 및 보고의 허점을 규명하기 위해.
• 모든 연구에 적용 가능한 일반화된 FSL 파이프라인을 제안하고, 아직 탐색되지 않은 해부학적 영역과 방법론적 기회를 강조하기 위해.
• 향후 연구를 안내하기 위해 환영할 만한 방향, 예를 들어 환영 기반 기법과 개선된 강인성 평가 기법을 식별하기 위해.

제안 방법

• 2018년부터 2023년까지 발표된 의료 영상에서의 FSL에 관한 80편의 관련 연구를 식별하기 위해 여러 데이터베이스를 대상으로 체계적 문헌 검색을 수행하였다.
• 연구를 결과 영역(분할, 분류, 정렬), 해부학적 구조(예: 심장, 폐, Abdomen), 사용된 메타학습 기법에 따라 분류하였다.
• 각 연구의 방법론적 품질을 평가하였으며, 평가의 강인성, 데이터 증강 기법의 사용, 소수 샘플 설정의 명확한 정의 여부를 포함하였다.
• 연구 간 성능 지표(예: Dice, AUC, DSC)를 통합하여, 해부학적 영역과 방법론별로 평균값과 95% 신뢰구간을 보고하였다.
• 모든 검토된 연구에서 채택한 일반화된 FSL 파이프라인을 제안하였으며, 이는 데이터 전처리, 소수 샘플 학습, 제한된 레이블 데이터 기반 평가를 포함한다.
• 메타학습 기법(예: 프로토타입 네트워크, MAML)과 비메타학습 기법(예: 커스텀 모듈을 갖춘 예측 학습, 준예측 학습)을 비교하였다.

Figure 1: N-way K-shot paradigm representation.

실험 결과

연구 질문

• RQ1 문헌에서 소수 샘플 학습이 가장 흔히 다루는 의료 영상 결과 영역(분할, 분류, 정렬)은 무엇인가?
• RQ2 소수 샘플 의료 영상 분석에서 가장 자주 대상이 되는 해부학적 구조는 무엇이며, 어떤 영역은 여전히 미비하게 다뤄지고 있는가?
• RQ3 다양한 메타학습 방법(예: 거리 기반, 최적화 기반)이 FSL 작업 전반에서 성능 및 강인성 측면에서 어떻게 비교되는가?
• RQ4 소수 샘플 의료 영상 분석에서 가장 효과적인 비메타학습 기법은 무엇이며, 메타학습 기반 모델과 비교해 볼 때 어떤가?
• RQ5 연구들이 얼마나 강인성 평가를 보고하고 있으며, 방법론적 보고 및 검증 관행에서 어떤 허점이 존재하는가?

주요 결과

• 분할 분석이 소수 샘플 의료 영상 분석에서 가장 흔한 적용 분야이며, 특히 복부와 심장이 가장 자주 연구된 해부학적 구조이다.
• 대부분의 연구에서 학습 시 클래스당 하나 이상의 레이블된 샘플을 사용하고 있어, 실질적으로 소수 샘플 학습이 '소수'일지라도 '영' 또는 '한 개' 샘플 설정이 아닌 경우가 많음을 시사한다.
• CT 및 X-ray 모odalities가 FSL 연구에서 가장 흔히 사용되는 영상 기법이며, 임상적 보편성과 데이터 가용성에 기인한다.
• 가장 인기 있는 메타학습 기법임에도 불구하고, 거리 기반 학습 기반 기법(예: 프로토타입 네트워크)은 다른 메타학습 및 비메타학습 기법에 비해 낮은 성능을 보였다.
• 비메타학습 기법—특히 커스텀 모듈을 갖춘 예측 학습 및 준예측 학습—은 특히 분할 및 정렬 작업에서 메타학습 기반 기법보다 더 뛰어난 성능을 달성하였다.
• 간단한 강인성 평가에 큰 격차가 존재한다: 분류 및 정렬 분야의 많은 연구들이 종합적인 강인성 테스트를 수행하지 않아 모델의 신뢰성과 임상 적용 가능성에 영향을 미친다.

Figure 2: Meta-learning methods taxonomy.