Meta-Learners for Few-Shot Weakly-Supervised Medical Image Segmentation

要約

タイトル：少数ショット弱教師付き医療画像セグメンテーションのためのメタラーナー

要約：
– ビジュアルリコグニションにおけるメタラーニングの大部分は、画像分類に適用されることが多く、セグメンテーションや検出などの他の課題に対する作品の相対的な欠如がある。
– 私たちは、医療画像領域の少数ショット弱教師付きセグメンテーションのための一般的なメタ学習フレームワークを提案している。
– 2D胸部、マンモグラフィ、歯科X線、および体積トモグラフィおよび共鳴イメージングの2Dスライスを含む、異なる疎な注釈付き放射線学的タスクに対して適応される異なるパラダイムからのメタラーナーの比較分析を実施する。
– 実験では、合計9つのメタラーナー、4つのバックボーン、および複数のターゲット器官セグメンテーションタスクを考慮しました。異なる弱い注釈付きスタイルと密度の放射線学的小規模データシナリオを探索します。
– 私たちの分析は、メトリックベースのメタラーニングアプローチが、メタトレーニングデータセットとのドメインシフトが小さいタスクで、より良いセグメンテーション結果を達成することを示し、一部の勾配およびフュージョンベースのメタラーナーは、より大きなドメインシフトに汎用的です。

要約(オリジナル)

Most uses of Meta-Learning in visual recognition are very often applied to image classification, with a relative lack of works in other tasks {such} as segmentation and detection. We propose a generic Meta-Learning framework for few-shot weakly-supervised segmentation in medical imaging domains. We conduct a comparative analysis of meta-learners from distinct paradigms adapted to few-shot image segmentation in different sparsely annotated radiological tasks. The imaging modalities include 2D chest, mammographic and dental X-rays, as well as 2D slices of volumetric tomography and resonance images. Our experiments consider a total of 9 meta-learners, 4 backbones and multiple target organ segmentation tasks. We explore small-data scenarios in radiology with varying weak annotation styles and densities. Our analysis shows that metric-based meta-learning approaches achieve better segmentation results in tasks with smaller domain shifts in comparison to the meta-training datasets, while some gradient- and fusion-based meta-learners are more generalizable to larger domain shifts.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI