[論文レビュー] A Systematic Review of Few-Shot Learning in Medical Imaging

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

Radiomics and Machine Learning in Medical Imaging被引用数 6

ひとこと要約

2018–2023年の間の医学画像における少サンプル学習（FSL）に関する80件の研究を分析した系統的レビューであり、メタラーニング（特にメトリクス学習に基づく手法）が主流であることが判明したが、教師ありおよび半教師あり学習などの非メタラーニング手法の方が優れた性能を示している。FSLは、特に限定的なアノテーションデータを有する心臓、肺および腹部画像において、セグメンテーション、分類、登録の分野でデータ不足問題を効果的に解決する。

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.

研究の動機と目的

• 2018年から2023年までの医学画像における最先端の少サンプル学習（FSL）技術について包括的な概要を提供すること。
• FSLの応用分野（セグメンテーション、分類、登録）、解剖的構造、およびメタラーニング手法の分布を分析すること。
• FSL研究の性能、頑健性、および方法論的厳密性を評価し、評価と報告におけるギャップを特定すること。
• すべての研究に適用可能な汎用的なFSLパイプラインを提案し、未開拓の解剖的領域と方法論的機会を強調すること。
• 将来の研究を支援するため、ハリュシネーションベースの手法や頑健性評価の向上といった有望な方向性を同定すること。

提案手法

• 2018年から2023年までに発表された医学画像におけるFSLに関する80件の関連研究を同定するため、複数のデータベースを活用した系統的文献検索を実施した。
• 研究を、成果分野（セグメンテーション、分類、登録）、解剖的構造（例：心臓、肺、腹部）および使用されたメタラーニング手法に基づいて分類した。
• 各研究の方法論的質を評価し、評価の頑健性、データオーグメンテーションの使用、および少サンプル設定の明確な定義の有無を確認した。
• 研究間で性能指標（例：Dice、AUC、DSC）を統合し、解剖的領域および手法ごとに95％信頼区間を伴った平均値を報告した。
• すべてのレビュー対象研究で採用された汎用的なFSLパイプラインを提案した。このパイプラインは、データ前処理、少サンプル学習、限定的アノテーションデータ上での評価を含む。
• メタラーニング手法（例：プロトタイプネットワーク、MAML）と非メタラーニング手法（例：カスタムモジュールを備えた教師あり学習、半教師あり学習）を比較した。

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

実験結果

リサーチクエスチョン

• RQ1 文献において、少サンプル学習が最も頻繁に取り組まれている医学画像の成果分野（セグメンテーション、分類、登録）は何か？
• RQ2 少サンプル医学画像解析で最も頻繁にターゲットとされている解剖的構造は何か？一方で、未開拓とされる構造は何か？
• RQ3 メトリクスベースや最適化ベースのメタラーニング手法など、異なるメタラーニング手法の性能と頑健性は、FSLタスク全体でどのように比較されるか？
• RQ4 少サンプル医学画像解析において、最も効果的な非メタラーニング手法は何か？また、それらはメタラーニングベースラインと比較してどう異なるか？
• RQ5 研究はどの程度頑健性評価を報告しているか？また、方法論的報告および検証実践におけるギャップは何か？

主な発見

• セグメンテーションが、少サンプル医学画像解析における最も一般的な応用分野であり、特に腹部および心臓が最も頻繁に研究対象とされている解剖的構造である。
• 多くの研究が、1クラスあたり1つ以上のアノテーション例を訓練に使用しており、実際の少サンプル学習は「少数」ではあるが、「ゼロ」または「1」ショットとは限らないことが示唆されている。
• CTおよびX線モodalities（画像モodalities）が、FSL研究で最も頻繁に使用されており、臨床的普及度とデータの入手可能性が反映されている。
• 最も人気のあるメタラーニングアプローチであるが、メトリクス学習に基づく手法（例：プロトタイプネットワーク）は、他のメタラーニングおよび非メタラーニング手法に比べて低い性能を示している。
• 非メタラーニング手法、特にカスタムモジュールを備えた教師あり学習および半教師あり学習が、特にセグメンテーションおよび登録タスクにおいて、メタラーニングアプローチを上回る性能を達成している。
• 頑健性評価に大きなギャップが存在する：分類および登録分野の多くの研究が包括的な頑健性テストを欠いており、モデルの信頼性および臨床応用可能性に悪影響を与えている。

Figure 2: Meta-learning methods taxonomy.