[论文解读] 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 6

一句话总结

本篇系统性综述分析了2018至2023年间医学影像领域中80项少样本学习（FSL）研究，发现元学习——尤其是基于度量学习的方法——是主流方法，但非元学习技术（如监督学习与半监督学习）表现更优。FSL在分割、分类与配准任务中有效缓解了数据稀缺问题，尤其在心脏、肺部与腹部影像中，当标注数据有限时效果显著。

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.

研究动机与目标

• 提供2018至2023年医学影像领域中前沿少样本学习（FSL）技术的全面概述。
• 分析FSL应用在医学结果（分割、分类、配准）、解剖结构与元学习方法中的分布情况。
• 评估医学影像中FSL研究的性能、鲁棒性与方法论严谨性，识别评估与报告方面的不足。
• 提出一种可广泛适用于各类研究的通用FSL流程，并指出尚未充分探索的解剖领域与方法论机遇。
• 通过识别有前景的研究方向（如基于幻觉生成的方法与更优的鲁棒性评估），为未来研究提供指导。

提出的方法

• 通过多个数据库进行系统性文献检索，识别2018至2023年间发表的80项关于医学影像中FSL的相关研究。
• 根据结果领域（分割、分类、配准）、解剖结构（如心脏、肺部、腹部）以及所用元学习技术对研究进行分类。
• 评估每项研究的方法论质量，包括评估的鲁棒性、数据增强技术的使用情况，以及对少样本设定的清晰定义。
• 整合各研究的性能指标（如Dice、AUC、DSC），按解剖结构与方法分组报告均值及其95%置信区间。
• 提出一种由所有纳入研究采用的通用FSL流程，包括数据预处理、少样本训练与在有限标注数据上的评估。
• 对比元学习方法（如原型网络、MAML）与非元学习技术（如带自定义模块的监督学习、半监督学习）。

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

实验结果

研究问题

• RQ1 在文献中，少样本学习最常应用于哪些医学影像结果（分割、分类、配准）？
• RQ2 在少样本医学影像分析中，哪些解剖结构最常被研究，哪些仍属研究不足？
• RQ3 在FSL任务中，不同元学习方法（如基于度量、基于优化）在性能与鲁棒性方面如何比较？
• RQ4 在少样本医学影像分析中，最有效的非元学习方法是什么？其与元学习基线相比表现如何？
• RQ5 研究在多大程度上报告了鲁棒性评估？方法论报告与验证实践方面存在哪些不足？

主要发现

• 分割是少样本医学影像分析中最常见的应用领域，腹部与心脏是最常研究的解剖结构。
• 大多数研究在训练时使用每类超过一个标注样本，表明实际应用中的少样本学习往往属于‘少量’而非‘零样本’或‘单样本’设定。
• CT与X射线成像模态在FSL研究中使用频率最高，反映出其临床普遍性与数据可及性。
• 尽管基于度量学习的方法（如原型网络）是最受欢迎的元学习方法，其性能却低于其他元学习与非元学习技术。
• 非元学习方法——尤其是带自定义模块的监督学习与半监督学习——在分割与配准任务中表现优于元学习方法。
• 鲁棒性评估存在显著缺口：许多研究，特别是在分类与配准任务中，缺乏全面的鲁棒性测试，影响了模型的可靠性与临床适用性。

Figure 2: Meta-learning methods taxonomy.