Unsupervised Training of Neural Cellular Automata on Edge Devices

要約

医療画像処理用の機械学習ツールへのアクセスが地域によって格差があるため、特に遠隔地ではユニバーサルヘルスケアのイノベーションの可能性が大幅に制限されています。
私たちの研究では、アクセス可能な X 線肺セグメンテーションを可能にするニューラル セルラー オートマトン (NCA) トレーニングをスマートフォンに直接実装することで、この問題に対処しています。
私たちは、これらの高度なモデルを 5 台の Android デバイスに展開してトレーニングすることの実用性と実現可能性を確認し、医療診断へのアクセシビリティを向上させ、技術格差を橋渡しして医療画像処理における機械学習の利点を低・中所得国 (LMIC) に拡大します。
このアプローチは、複数の NCA 予測からの分散を最小限に抑えてラベルなしデータから効率的に学習する、新しい分散加重セグメンテーション ロス (VWSL) を使用した教師なし適応方法でさらに強化されます。
この戦略は、大規模な計算リソースやラベル付きデータセットを必要とせずに、さまざまな医用画像コンテキストにわたるモデルの適応性とパフォーマンスを特に向上させ、参加の閾値を効果的に下げます。
3 つのマルチサイト X 線データセット (Padchest、ChestX-ray8、MIMIC-III) でテストされた私たちの方法論は、従来の Med-NCA と比較して、セグメンテーション Dice の精度が 0.7 ～ 2.8% 向上していることを示しています。
さらに、デジタル コピーが利用できず、X 線ライトボックスまたはモニターから携帯電話で画像を取得する必要がある極端なケースでは、VWSL によって Dice の精度が 5 ～ 20% 向上し、次善の画像ソースでもこの方法の堅牢性が実証されています。

要約(オリジナル)

The disparity in access to machine learning tools for medical imaging across different regions significantly limits the potential for universal healthcare innovation, particularly in remote areas. Our research addresses this issue by implementing Neural Cellular Automata (NCA) training directly on smartphones for accessible X-ray lung segmentation. We confirm the practicality and feasibility of deploying and training these advanced models on five Android devices, improving medical diagnostics accessibility and bridging the tech divide to extend machine learning benefits in medical imaging to low- and middle-income countries (LMICs). We further enhance this approach with an unsupervised adaptation method using the novel Variance-Weighted Segmentation Loss (VWSL), which efficiently learns from unlabeled data by minimizing the variance from multiple NCA predictions. This strategy notably improves model adaptability and performance across diverse medical imaging contexts without the need for extensive computational resources or labeled datasets, effectively lowering the participation threshold. Our methodology, tested on three multisite X-ray datasets — Padchest, ChestX-ray8, and MIMIC-III — demonstrates improvements in segmentation Dice accuracy by 0.7 to 2.8%, compared to the classic Med-NCA. Additionally, in extreme cases where no digital copy is available and images must be captured by a phone from an X-ray lightbox or monitor, VWSL enhances Dice accuracy by 5-20%, demonstrating the method’s robustness even with suboptimal image sources.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google