[論文レビュー] Few-shot segmentation of medical images based on meta-learning with implicit gradients.

Rabindra Khadga, Debesh Jha+5 more|arXiv (Cornell University)|Jun 6, 2021

Domain Adaptation and Few-Shot Learning参考文献 23被引用数 4

ひとこと要約

本稿では、少量のラベル付きデータで未観測のデータセットに対しても一般化できるようにする、implicit model-agnostic meta-learning (iMAML) のアプローチを提案する。implicit gradients を活用することで、皮膚およびポリープのデータセットにおいて、教師ありベースラインや最近の少サンプル手法よりも優れたセグメンテーション性能を達成する。

ABSTRACT

Classical supervised methods commonly used often suffer from the requirement of an abudant number of training samples and are unable to generalize on unseen datasets. As a result, the broader application of any trained model is very limited in clinical settings. However, few-shot approaches can minimize the need for enormous reliable ground truth labels that are both labor intensive and expensive. To this end, we propose to exploit an optimization-based implicit model agnostic meta-learning {iMAML} algorithm in a few-shot setting for medical image segmentation. Our approach can leverage the learned weights from a diverse set of training samples and can be deployed on a new unseen dataset. We show that unlike classical few-shot learning approaches, our method has improved generalization capability. To our knowledge, this is the first work that exploits iMAML for medical image segmentation. Our quantitative results on publicly available skin and polyp datasets show that the proposed method outperforms the naive supervised baseline model and two recent few-shot segmentation approaches by large margins.

研究の動機と目的

• 大量のアノテート済みデータを必要とする従来の教師あり手法が医療画像セグメンテーションにおいて抱える制限を解消すること。
• 臨床現場におけるデータ不足のため、未観測のデータセットへの一般化が困難になるという課題を克服すること。
• 少数のラベル付き例で多様な医療画像ドメインに効果的に一般化できる少サンプル学習アプローチを開発すること。
• implicit model-agnostic meta-learning (iMAML) を医療画像セグメンテーションに初めて適用することを示すこと。

提案手法

• 内部ループの明示的バックプロパゲーションを避けるために、implicit differentiation を用いて勾配を計算するimplicit gradients を用いた最適化ベースのメタラーニングフレームワークを採用する。
• 多様なトレーニングサンプルからの学習済み重みを活用して、新しい未観測データセットへの迅速な適応を可能にする。
• 内部ループのバックプロパゲーションを明示的に行わず、implicit differentiation を用いてメタ最適化問題を定式化する。
• 推論時にクラスあたり少数のアノテート済み例しか利用できない少サンプル設定でモデルを訓練する。
• 標準的なセグメンテーションバックボーン（例：U-Net）を iMAML でファインチューニングし、最小限のデータで新しいタスクに適応させる。
• 複数の少サンプルタスクにおける検証損失を最小化するようにメタラーナーを最適化することで、一般化性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 従来の教師ありおよび少サンプルベースラインと比較して、implicit model-agnostic meta-learning (iMAML) は医療画像セグメンテーションにおける少サンプル一般化を向上させることができるか？
• RQ2 提案手法 iMAML は、ラベル付き例が限られた未観測の医療画像データセットでどれほど高い性能を発揮するか？
• RQ3 implicit gradients の使用は、医療画像セグメンテーションの文脈において、より安定的かつ効果的なメタ最適化をもたらすか？
• RQ4 本手法は、皮膚病変やポリープなどの異なる解剖的構造に対しても、ドメインシフトを最小限に抑えて一般化可能か？

主な発見

• 提案された iMAML を用いた手法は、皮膚およびポリープセグメンテーションデータセットにおいて、ナイーブな教師ありベースラインを上回る性能を示した。
• 同じベンチマークで、最近の2つの少サンプルセグメンテーション手法よりも顕著な性能向上を達成した。
• 定量的結果から、implicit gradients のメカニズムのおかげで、未観測データセットへの一般化能力が向上していることが示された。
• クラスあたり少数のラベル付き例でのロバストな性能を示しており、本手法の少サンプル学習の可能性が裏付けられた。