See Through the Fog: Curriculum Learning with Progressive Occlusion in Medical Imaging

要約

近年、ディープラーニング モデルは医療画像の読影に革命をもたらし、診断精度が大幅に向上しました。
ただし、これらのモデルは、重要な特徴が部分的または完全に遮蔽される困難な画像に苦戦することが多く、これは臨床現場でよくあるシナリオです。
この論文では、遮蔽された医療画像を効果的に処理するための深層学習モデルをトレーニングするための、新しいカリキュラム学習ベースのアプローチを提案します。
私たちの方法では、遮るもののない鮮明な画像から開始して、徐々にオクルージョン レベルが増加する画像に移行して、オクルージョンを段階的に導入します。
人間の学習に似たこの順序付けられた学習プロセスにより、モデルは最初に単純で識別可能なパターンを把握し、その後この知識に基づいてより複雑で遮蔽されたシナリオを理解することができます。
さらに、Wasserstein Curriculum Learning (WCL)、Information Adaptive Learning (IAL)、Geodesic Curriculum Learning (GCL) という 3 つの新しいオクルージョン合成手法を紹介します。
多様な医療画像データセットに対する広範な実験により、従来のトレーニング方法と比較してモデルの堅牢性と診断精度が大幅に向上していることが実証されています。

要約(オリジナル)

In recent years, deep learning models have revolutionized medical image interpretation, offering substantial improvements in diagnostic accuracy. However, these models often struggle with challenging images where critical features are partially or fully occluded, which is a common scenario in clinical practice. In this paper, we propose a novel curriculum learning-based approach to train deep learning models to handle occluded medical images effectively. Our method progressively introduces occlusion, starting from clear, unobstructed images and gradually moving to images with increasing occlusion levels. This ordered learning process, akin to human learning, allows the model to first grasp simple, discernable patterns and subsequently build upon this knowledge to understand more complicated, occluded scenarios. Furthermore, we present three novel occlusion synthesis methods, namely Wasserstein Curriculum Learning (WCL), Information Adaptive Learning (IAL), and Geodesic Curriculum Learning (GCL). Our extensive experiments on diverse medical image datasets demonstrate substantial improvements in model robustness and diagnostic accuracy over conventional training methodologies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google