Robust Prototypical Few-Shot Organ Segmentation with Regularized Neural-ODEs

要約

画像のセマンティック セグメンテーションにおけるディープ ラーニング モデルによる驚異的な進歩にもかかわらず、通常は注釈付きの大規模な例が必要です。
小説クラス。
これは、高密度のピクセルレベルの注釈を取得するのに費用がかかる医療分野で特に見られます。
この論文では、Regularized Prototyp Neural Ordinary Differential Equation (R-PNODE) を提案します。これは、神経 ODE の固有のプロパティを活用し、追加のクラスターと一貫性の損失によって支援および強化され、器官の Few-Shot Segmentation (FSS) を実行する方法です。
R-PNODE は、同じクラスのサポート機能とクエリ機能を表現空間内でより近くに配置するように制約するため、既存の畳み込みニューラル ネットワーク (CNN) ベースの FSS メソッドよりもパフォーマンスが向上します。
さらに、多くの既存の Deep CNN ベースの方法は敵対的攻撃に対して非常に脆弱である傾向がある一方で、R-PNODE はこれらの攻撃の幅広い攻撃に対して増加した敵対的堅牢性を示すことを示しています。
私たちの方法の有効性を実証するために、ドメイン内およびクロスドメイン FSS 設定の両方で、公開されている 3 つの多臓器セグメンテーション データセットを実験します。
さらに、R-PNODE の堅牢性を実証するために、さまざまな設定で一般的に使用される 7 つの敵対的攻撃の実験を行います。
R-PNODE は、FSS のベースラインを大幅に上回り、強度と設計が異なるさまざまな攻撃に対して優れたパフォーマンスを示します。

要約(オリジナル)

Despite the tremendous progress made by deep learning models in image semantic segmentation, they typically require large annotated examples, and increasing attention is being diverted to problem settings like Few-Shot Learning (FSL) where only a small amount of annotation is needed for generalisation to novel classes. This is especially seen in medical domains where dense pixel-level annotations are expensive to obtain. In this paper, we propose Regularized Prototypical Neural Ordinary Differential Equation (R-PNODE), a method that leverages intrinsic properties of Neural-ODEs, assisted and enhanced by additional cluster and consistency losses to perform Few-Shot Segmentation (FSS) of organs. R-PNODE constrains support and query features from the same classes to lie closer in the representation space thereby improving the performance over the existing Convolutional Neural Network (CNN) based FSS methods. We further demonstrate that while many existing Deep CNN based methods tend to be extremely vulnerable to adversarial attacks, R-PNODE exhibits increased adversarial robustness for a wide array of these attacks. We experiment with three publicly available multi-organ segmentation datasets in both in-domain and cross-domain FSS settings to demonstrate the efficacy of our method. In addition, we perform experiments with seven commonly used adversarial attacks in various settings to demonstrate R-PNODE’s robustness. R-PNODE outperforms the baselines for FSS by significant margins and also shows superior performance for a wide array of attacks varying in intensity and design.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google