S2S2: Semantic Stacking for Robust Semantic Segmentation in Medical Imaging

要約

医療画像セグメンテーションの堅牢性と一般化可能性は、推論中に遭遇する変動とは対照的に、トレーニング データの不足と多様性の制限によって妨げられることがよくあります。
ドメイン固有の強化、特化したアーキテクチャ、カスタマイズされたトレーニング手順などの従来の戦略はこれらの問題を軽減できますが、それらはドメイン知識の可用性と信頼性に依存します。
そのような知識が利用できない場合、誤解を招く場合、または不適切に適用される場合、パフォーマンスが低下する可能性があります。
これに応えて、画像ノイズ除去における画像スタッキングにヒントを得た、ドメインに依存しない、アドオンの新しいデータ駆動型戦略を導入します。
「セマンティックスタッキング」と呼ばれる私たちの方法は、トレーニング中の従来のセグメンテーション損失を補完するノイズ除去されたセマンティック表現を推定します。
この方法はドメイン固有の仮定に依存しないため、さまざまな画像モダリティ、モデル アーキテクチャ、拡張技術に幅広く適用できます。
広範な実験を通じて、さまざまな条件下でセグメンテーションのパフォーマンスを向上させるアプローチの優位性を検証しました。
コードは https://github.com/ymp5078/Semantic-Stacking で入手できます。

要約(オリジナル)

Robustness and generalizability in medical image segmentation are often hindered by scarcity and limited diversity of training data, which stands in contrast to the variability encountered during inference. While conventional strategies — such as domain-specific augmentation, specialized architectures, and tailored training procedures — can alleviate these issues, they depend on the availability and reliability of domain knowledge. When such knowledge is unavailable, misleading, or improperly applied, performance may deteriorate. In response, we introduce a novel, domain-agnostic, add-on, and data-driven strategy inspired by image stacking in image denoising. Termed “semantic stacking,” our method estimates a denoised semantic representation that complements the conventional segmentation loss during training. This method does not depend on domain-specific assumptions, making it broadly applicable across diverse image modalities, model architectures, and augmentation techniques. Through extensive experiments, we validate the superiority of our approach in improving segmentation performance under diverse conditions. Code is available at https://github.com/ymp5078/Semantic-Stacking.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google