Continual Deep Active Learning for Medical Imaging: Replay-Base Architecture for Context Adaptation

要約

医療画像向けのディープラーニングは、新しい状況に適応して一般化するという課題に直面しています。
さらに、多くの場合、多大な注釈作業を必要とする特定のタスクに必要なラベル付きデータが不足しています。
継続学習 (CL) は、以前に学習した知識の忘れを軽減しながら、データ ストリームからの生涯学習を可能にすることで、適応性と一般化性に取り組みます。
アクティブ ラーニング (AL) は、効果的なトレーニングに必要なアノテーションの数を減らします。
この研究では、両方のアプローチ (CAL) を検討して、堅牢な医用画像分析のための新しいフレームワークを開発します。
画像特性の変化の自動認識に基づいて、コンテキスト適応のための再生ベース アーキテクチャ (RBACA) は、CL リハーサル手法を採用してさまざまなコンテキストから継続的に学習し、AL コンポーネントを採用してアノテーションに最も有益なインスタンスを選択します。
CAL メソッドを評価するための新しいアプローチは、IL-Score と呼ばれる定義されたメトリクスを使用して確立され、転移学習、忘却、および最終モデルのパフォーマンスを同時に評価できます。
心臓画像のセグメンテーションと診断に関する IL スコアを評価することにより、RBACA がドメインおよびクラス増分学習シナリオで機能することを示します。
結果は、RBACA が、CAL を使用しないベースライン フレームワークや、さまざまなメモリ サイズやアノテーション バジェットにわたって最先端の CAL メソッドよりも優れたパフォーマンスを発揮することを示しています。
私たちのコードは https://github.com/RuiDaniel/RBACA で入手できます。

要約(オリジナル)

Deep Learning for medical imaging faces challenges in adapting and generalizing to new contexts. Additionally, it often lacks sufficient labeled data for specific tasks requiring significant annotation effort. Continual Learning (CL) tackles adaptability and generalizability by enabling lifelong learning from a data stream while mitigating forgetting of previously learned knowledge. Active Learning (AL) reduces the number of required annotations for effective training. This work explores both approaches (CAL) to develop a novel framework for robust medical image analysis. Based on the automatic recognition of shifts in image characteristics, Replay-Base Architecture for Context Adaptation (RBACA) employs a CL rehearsal method to continually learn from diverse contexts, and an AL component to select the most informative instances for annotation. A novel approach to evaluate CAL methods is established using a defined metric denominated IL-Score, which allows for the simultaneous assessment of transfer learning, forgetting, and final model performance. We show that RBACA works in domain and class-incremental learning scenarios, by assessing its IL-Score on the segmentation and diagnosis of cardiac images. The results show that RBACA outperforms a baseline framework without CAL, and a state-of-the-art CAL method across various memory sizes and annotation budgets. Our code is available in https://github.com/RuiDaniel/RBACA .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google