Bayesian uncertainty-weighted loss for improved generalisability on polyp segmentation task

要約

これまでのいくつかの研究でポリープのセグメンテーション方法が考案されていますが、これらの方法のほとんどは多施設データセットで厳密に評価されていません。
あるセンターから別のセンターへのポリープの出現、内視鏡機器のグレードの違い、取得品質による変動により、分布内のテストデータでは良好なパフォーマンスを示すメソッドが得られますが、分布外のサンプルや過小評価されているサンプルではパフォーマンスが低下します。
不公平なモデルは重大な影響を及ぼし、臨床応用に重大な課題をもたらします。
トレーニング中にベイズの認識論的不確実性を活用する暗黙的なバイアス軽減手法を採用し、モデルが過小評価されているサンプル領域に焦点を当てるように促します。
我々は、異なる中心と画像モダリティを備えた困難な多中心ポリープセグメンテーションデータセット（PolypGen）上で、最先端のパフォーマンスを犠牲にすることなく一般化性を向上させるこのアプローチの可能性を実証します。

要約(オリジナル)

While several previous studies have devised methods for segmentation of polyps, most of these methods are not rigorously assessed on multi-center datasets. Variability due to appearance of polyps from one center to another, difference in endoscopic instrument grades, and acquisition quality result in methods with good performance on in-distribution test data, and poor performance on out-of-distribution or underrepresented samples. Unfair models have serious implications and pose a critical challenge to clinical applications. We adapt an implicit bias mitigation method which leverages Bayesian epistemic uncertainties during training to encourage the model to focus on underrepresented sample regions. We demonstrate the potential of this approach to improve generalisability without sacrificing state-of-the-art performance on a challenging multi-center polyp segmentation dataset (PolypGen) with different centers and image modalities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google