[논문 리뷰] Semi-supervised few-shot learning for medical image segmentation

Abdur Razzaq Fayjie, Reza Azad외 4명|arXiv (Cornell University)|2020. 03. 18.

Domain Adaptation and Few-Shot Learning참고 문헌 27인용 수 61

한 줄 요약

A few-shot semantic segmentation framework that leverages unlabeled images via surrogate tasks to learn more transferable features for medical image segmentation, demonstrated on skin lesion datasets.

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.

연구 동기 및 목표

• 제한된 픽셀 수준 주석으로도 정확한 의료 영상 분할의 필요성을 제시한다.
• 에피소드당 레이블이 없는 이미지도 활용하는 few-shot 분할 프레임워크를 제안한다.
• 데이터에서 파생된 surrogate task를 도입하여 강력한 감독 신호를 제공한다.
• 학습된 특징의 미지의 분할 작업에 대한 일반화 능력 향상을 입증한다.

제안 방법

• 적은 수의 라벨링 예제로 서로 다른 분할 문제를 나타내는 에피소드에서 분할 모델을 학습한다.
• 에피소드당 레이블이 없는 이미지를 포함하여 감독 신호를 강화한다.
• 데이터에서 파생된 감독 신호를 활용하는 surrogate task를 도입하여 특징 학습을 수행한다.
• surrogate task가 특징 표현과 일반화 가능성을 개선한다는 것을 보여준다.
• 이 접근법이 다양한 아키텍처와 결합될 수 있도록 모델-아그노스틱 호환성을 유지한다.

실험 결과

연구 질문

• RQ1 에피소드 내에서 사용되는 레이블이 없는 이미지가 few-shot 의료 영상 분할의 성능 향상에 기여할 수 있는가?
• RQ2 데이터에 기반한 surrogate task가 미지의 분할 작업을 위한 학습된 특징 표현을 향상시키는가?
• RQ3 제안된 프레임워크가 다양한 심층 분할 아키텍처와 호환되는가?
• RQ4 공개 피부 병변 분할 데이터셋에서 방법의 성능은 어떠한가?

주요 결과

• 레이블이 없는 surrogate task를 포함하면 더 강력한 특징 표현이 얻어진다.
• 이 방법은 미지의 분할 작업에 대한 일반화 가능성을 향상시킨다.
• 이 방법은 두 개의 공개적으로 사용 가능한 피부 병변 데이터셋에서 효과적이다.
• 이 프레임워크는 모델-아그노스틱이며 서로 다른 아키텍처와 결합할 수 있다.