Few-Shot Airway-Tree Modeling using Data-Driven Sparse Priors

要約

医療画像における大規模な注釈付きデータセットの欠如は、教師ありディープラーニング（DL）セグメンテーションモデルにとって本質的な負担である。数ショット学習アプローチは、限られた注釈付きデータのみを使用して事前に訓練されたモデルを転送する費用対効果の高いソリューションである。しかし、このような手法は、特に気道のような複雑で多様かつ疎な管状構造をセグメンテーションする場合、データの多様性が限られているため、オーバーフィッティングを起こしやすい。さらに、情報量の多い画像表現を作成することは、解剖学的詳細の識別的強調を可能にし、医用画像において重要な役割を果たしている。本論文では、まず肺CTスキャンにおいて効率的に気道を強調するために、データ駆動型のスパース化モジュールを訓練する。次に、これらの疎な表現を、標準的な教師ありセグメンテーションパイプラインに、DLモデルの性能を向上させるための事前学習ステップとして組み込む。ATMパブリックチャレンジコホートで発表された結果は、事前学習でスパースプライヤを使用することの有効性を示し、本格的な学習シナリオと少数ショット学習シナリオにおいて、それぞれ1%から10%のセグメンテーションダイススコアの増加をもたらした。

要約(オリジナル)

The lack of large annotated datasets in medical imaging is an intrinsic burden for supervised Deep Learning (DL) segmentation models. Few-shot learning approaches are cost-effective solutions to transfer pre-trained models using only limited annotated data. However, such methods can be prone to overfitting due to limited data diversity especially when segmenting complex, diverse, and sparse tubular structures like airways. Furthermore, crafting informative image representations has played a crucial role in medical imaging, enabling discriminative enhancement of anatomical details. In this paper, we initially train a data-driven sparsification module to enhance airways efficiently in lung CT scans. We then incorporate these sparse representations in a standard supervised segmentation pipeline as a pretraining step to enhance the performance of the DL models. Results presented on the ATM public challenge cohort show the effectiveness of using sparse priors in pre-training, leading to segmentation Dice score increase by 1% to 10% in full-scale and few-shot learning scenarios, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL