Shortcut Learning in Medical Image Segmentation

要約

ショートカット学習とは、機械学習モデルが、トレーニング セットを超えて一般化されないデータからの、単純で誤解を招く可能性のある手がかりの学習を優先する現象です。
既存の研究では主に画像分類の領域でこれを調査していますが、この研究ではショートカット学習の探求を医療画像のセグメンテーションに拡張しています。
キャリパーなどの臨床アノテーション、およびデータセット内のゼロパディング畳み込みと中央で切り取られたトレーニング セットの組み合わせが、誤ってショートカットとして機能し、セグメンテーションの精度に影響を与える可能性があることを実証します。
2 つの異なるが共通の医用画像セグメンテーション タスクに関するショートカット学習を特定し、評価します。
さらに、ショートカット学習の影響を軽減し、セグメンテーション モデルの一般化可能性を向上させる戦略を提案します。
医療画像セグメンテーションにおけるショートカットの存在とその影響を明らかにすることで、この広範な課題を評価および克服するための洞察と方法論を提供し、セグメンテーションにおけるショートカットについてコミュニティに注目を呼びかけます。
私たちのコードは https://github.com/nina-weng/shortcut_skinseg で公開されています。

要約(オリジナル)

Shortcut learning is a phenomenon where machine learning models prioritize learning simple, potentially misleading cues from data that do not generalize well beyond the training set. While existing research primarily investigates this in the realm of image classification, this study extends the exploration of shortcut learning into medical image segmentation. We demonstrate that clinical annotations such as calipers, and the combination of zero-padded convolutions and center-cropped training sets in the dataset can inadvertently serve as shortcuts, impacting segmentation accuracy. We identify and evaluate the shortcut learning on two different but common medical image segmentation tasks. In addition, we suggest strategies to mitigate the influence of shortcut learning and improve the generalizability of the segmentation models. By uncovering the presence and implications of shortcuts in medical image segmentation, we provide insights and methodologies for evaluating and overcoming this pervasive challenge and call for attention in the community for shortcuts in segmentation. Our code is public at https://github.com/nina-weng/shortcut_skinseg .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google