Transfer Risk Map: Mitigating Pixel-level Negative Transfer in Medical Segmentation

要約

転移学習における負の転移をどのように軽減するかは、特に医用画像セグメンテーションへの応用において、長年の課題である。負の乗り移りを軽減する既存の手法は、分類や回帰タスクに焦点を当てており、異なる画像領域における不均一な負の乗り移りリスクを無視している。本研究では、医療用セマンティックセグメンテーションにおいて、有意な転移リスクを持つ領域にモデルの注意を向ける、シンプルかつ効果的な重み付け微調整法を提案する。具体的には、各画素の転写の硬さと、負の転写の潜在的なリスクを定量化するために、転写可能性に誘導された転写リスクマップを計算する。微調整段階では、クラスの不均衡に対抗するため、画像の前景サイズで正規化したマップ重み付け損失関数を導入する。脳セグメンテーションデータセットを用いた広範な実験により、我々の手法は、FeTS2021で4.37%、iSeg2019で1.81%の利得を示し、モダリティやタスク間での負の伝達を回避しながら、ターゲットタスクの性能を大幅に改善することが示された。一方、数ショットのシナリオでは2.9%の利得が得られ、我々のアプローチの頑健性が検証された。

要約(オリジナル)

How to mitigate negative transfer in transfer learning is a long-standing and challenging issue, especially in the application of medical image segmentation. Existing methods for reducing negative transfer focus on classification or regression tasks, ignoring the non-uniform negative transfer risk in different image regions. In this work, we propose a simple yet effective weighted fine-tuning method that directs the model’s attention towards regions with significant transfer risk for medical semantic segmentation. Specifically, we compute a transferability-guided transfer risk map to quantify the transfer hardness for each pixel and the potential risks of negative transfer. During the fine-tuning phase, we introduce a map-weighted loss function, normalized with image foreground size to counter class imbalance. Extensive experiments on brain segmentation datasets show our method significantly improves the target task performance, with gains of 4.37% on FeTS2021 and 1.81% on iSeg2019, avoiding negative transfer across modalities and tasks. Meanwhile, a 2.9% gain under a few-shot scenario validates the robustness of our approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL