Generalized Cross-domain Multi-label Few-shot Learning for Chest X-rays

要約

胸部 X 線異常分類を実際に適用するには、次のようないくつかの課題に対処する必要があります。(i) トレーニング データが限られている。
(ii) 異なるドメインから派生したトレーニングおよび評価セット。
(iii) トレーニング中に表示されるクラスは、評価中に対象となるクラスと部分的に重複する可能性があります。
これらの課題に対処するために、一般化クロスドメイン マルチラベル フューショット学習 (GenCDML-FSL) と呼ばれる統合フレームワークを紹介します。
このフレームワークは、トレーニングと評価中のクラスの重複、クロスドメイン転送をサポートし、少数のトレーニング サンプルを使用して学習するメタ学習を採用し、各胸部 X 線画像が正常であるか、1 つ以上の異常に関連していると想定します。
さらに、GenCDML-FSL シナリオで観察された複数の課題をモデルに動作させるトレーニング戦略である一般化エピソード トレーニング (GenET) を提案します。
複数のデータセットに対する転移学習、ハイブリッド転移学習、マルチラベルメタ学習などの確立された手法との比較により、私たちのアプローチの優位性がわかります。

要約(オリジナル)

Real-world application of chest X-ray abnormality classification requires dealing with several challenges: (i) limited training data; (ii) training and evaluation sets that are derived from different domains; and (iii) classes that appear during training may have partial overlap with classes of interest during evaluation. To address these challenges, we present an integrated framework called Generalized Cross-Domain Multi-Label Few-Shot Learning (GenCDML-FSL). The framework supports overlap in classes during training and evaluation, cross-domain transfer, adopts meta-learning to learn using few training samples, and assumes each chest X-ray image is either normal or associated with one or more abnormalities. Furthermore, we propose Generalized Episodic Training (GenET), a training strategy that equips models to operate with multiple challenges observed in the GenCDML-FSL scenario. Comparisons with well-established methods such as transfer learning, hybrid transfer learning, and multi-label meta-learning on multiple datasets show the superiority of our approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google