Active learning for medical image segmentation with stochastic batches

要約

学習ベースのアルゴリズムのパフォーマンスは、トレーニングに使用されるラベル付きデータの量に応じて向上します。
しかし、特に医療画像のセグメンテーションでは、手動でデータに注釈を付けるのは面倒で費用がかかる可能性があります。
手動のラベル付けを減らすために、アクティブ ラーニング (AL) は、ラベル付けされていないセットから最も有益なサンプルをターゲットにして、ラベル付けされたトレーニング セットに注釈を付けて追加します。
一方では、ほとんどのアクティブ ラーニング作業は、自然画像の分類または限定的なセグメンテーションに焦点を当てていますが、医療画像セグメンテーションの困難なタスクではアクティブ ラーニングが非常に望ましいものです。
一方、不確実性に基づく AL アプローチは、次善のバッチクエリ戦略を提供することで有名ですが、多様性に基づく方法は計算コストが高くなる傾向があります。
方法論的なハードルを超えて、ランダム サンプリングは、さまざまな学習およびサンプリング条件で優れたパフォーマンスを発揮することが非常に難しいベースラインであることが証明されています。
この作業は、ランダム サンプリングによって提供される多様性と速度を利用して、医用画像をセグメント化するための不確実性に基づく AL 法の選択を改善することを目的としています。
より具体的には、ALでのサンプリング中に確率的バッチを独自に使用することにより、サンプルではなくバッチのレベルで不確実性を計算することを提案します。
医用画像セグメンテーションに関する徹底的な実験は、MRI 前立腺イメージングに関する図解を使用して、サンプル選択中の確率的バッチの利点が、トレーニングおよびサンプリング手順のさまざまな変更に対して堅牢であることを示しています。

要約(オリジナル)

The performance of learning-based algorithms improves with the amount of labelled data used for training. Yet, manually annotating data can be tedious and expensive, especially in medical image segmentation. To reduce manual labelling, active learning (AL) targets the most informative samples from the unlabelled set to annotate and add to the labelled training set. On one hand, most active learning works have focused on the classification or limited segmentation of natural images, despite active learning being highly desirable in the difficult task of medical image segmentation. On the other hand, uncertainty-based AL approaches notoriously offer sub-optimal batch-query strategies, while diversity-based methods tend to be computationally expensive. Over and above methodological hurdles, random sampling has proven an extremely difficult baseline to outperform when varying learning and sampling conditions. This work aims to take advantage of the diversity and speed offered by random sampling to improve the selection of uncertainty-based AL methods for segmenting medical images. More specifically, we propose to compute uncertainty at the level of batches instead of samples through an original use of stochastic batches during sampling in AL. Exhaustive experiments on medical image segmentation, with an illustration on MRI prostate imaging, show that the benefits of stochastic batches during sample selection are robust to a variety of changes in the training and sampling procedures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google