Non-negative Subspace Feature Representation for Few-shot Learning in Medical Imaging

要約

膨大なデータセットがディープニューラルネットワークにアクセス可能な典型的な視覚的シーン認識領域とは異なり、医療画像の解釈はしばしばデータの少なさに阻まれる。本論文では、低次元空間における様々なデータ属性表現を探索することにより、医用画像におけるデータに基づく少数ショット学習の有効性を調べる。本論文では、医療画像分類におけるデータ不足の問題に対処するため、少数ショット学習における様々なタイプの非負行列分解（NMF）を導入する。NMFの有効性、特に教師ありNMF、教師ありNMFとスパースネス制約付きNMFの有効性を検証し、主成分分析（PCA）、すなわち固有ベクトルから導かれる協調表現に基づく次元削減手法との比較を行う。11の異なる病気カテゴリをカバーする14の異なるデータセットを用いて、徹底的な実験結果と関連技術との比較により、NMFが医療画像における少数ショット学習においてPCAに代わる競争力のあるものであり、教師ありNMFアルゴリズムが部分空間においてより識別性が高く、より有効であることを実証する。さらに、NMFのパートベース表現、特にその教師付き変形が、限られたサンプルの医用画像における病変領域の検出に劇的な影響を与えることを示す。

要約(オリジナル)

Unlike typical visual scene recognition domains, in which massive datasets are accessible to deep neural networks, medical image interpretations are often obstructed by the paucity of data. In this paper, we investigate the effectiveness of data-based few-shot learning in medical imaging by exploring different data attribute representations in a low-dimensional space. We introduce different types of non-negative matrix factorization (NMF) in few-shot learning, addressing the data scarcity issue in medical image classification. Extensive empirical studies are conducted in terms of validating the effectiveness of NMF, especially its supervised variants (e.g., discriminative NMF, and supervised and constrained NMF with sparseness), and the comparison with principal component analysis (PCA), i.e., the collaborative representation-based dimensionality reduction technique derived from eigenvectors. With 14 different datasets covering 11 distinct illness categories, thorough experimental results and comparison with related techniques demonstrate that NMF is a competitive alternative to PCA for few-shot learning in medical imaging, and the supervised NMF algorithms are more discriminative in the subspace with greater effectiveness. Furthermore, we show that the part-based representation of NMF, especially its supervised variants, is dramatically impactful in detecting lesion areas in medical imaging with limited samples.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL