Flip Learning: Weakly Supervised Erase to Segment Nodules in Breast Ultrasound

要約

2D乳房超音波（BUS）と3D自動乳房超音波（ABUS）の両方における結節の正確なセグメンテーションは、臨床診断と治療計画に重要です。
したがって、結節セグメンテーションのための自動システムを開発することで、ユーザーの独立性を高め、臨床分析を促進することができます。
完全に監視された学習とは異なり、弱く監視されたセグメンテーション（WSS）は、面倒で複雑な注釈プロセスを合理化できます。
ただし、現在のWSSメソッドは、正確な結節セグメンテーションを達成する上で課題に直面しています。その多くは、不正確な活性化マップまたは非効率的な擬似マスク生成アルゴリズムに依存しているためです。
この研究では、正確なセグメンテーションのために2D/3Dボックスのみに依存するFlip Learningと呼ばれる新しいマルチエージェント補強学習ベースのWSSフレームワークを紹介します。
具体的には、複数のエージェントがボックスからターゲットを消去するために使用され、分類タグの反転を容易にし、消去された領域が予測されたセグメンテーションマスクとして機能します。
この研究の重要な貢献は、次のとおりです。（1）標準化された環境をエンコードし、境界前のキャプチャをキャプチャし、学習プロセスを促進するためのスーパーピクセル/スーパーオクセルベースのアプローチの採用。
（2）分類スコアの報酬と2つの強度分布報酬を含む3つの細心の注意を払って設計された報酬の導入。
（3）エージェントが徐々に挑戦的な方法で環境と対話し、それによって学習効率を高めるための進歩的なカリキュラム学習戦略の実装。
大規模な社内バスおよびABUSデータセットで広範囲に検証されているフリップ学習方法は、最先端のWSSメソッドと基礎モデルよりも優れており、完全に監視された学習アルゴリズムとして同等のパフォーマンスを実現します。

要約(オリジナル)

Accurate segmentation of nodules in both 2D breast ultrasound (BUS) and 3D automated breast ultrasound (ABUS) is crucial for clinical diagnosis and treatment planning. Therefore, developing an automated system for nodule segmentation can enhance user independence and expedite clinical analysis. Unlike fully-supervised learning, weakly-supervised segmentation (WSS) can streamline the laborious and intricate annotation process. However, current WSS methods face challenges in achieving precise nodule segmentation, as many of them depend on inaccurate activation maps or inefficient pseudo-mask generation algorithms. In this study, we introduce a novel multi-agent reinforcement learning-based WSS framework called Flip Learning, which relies solely on 2D/3D boxes for accurate segmentation. Specifically, multiple agents are employed to erase the target from the box to facilitate classification tag flipping, with the erased region serving as the predicted segmentation mask. The key contributions of this research are as follows: (1) Adoption of a superpixel/supervoxel-based approach to encode the standardized environment, capturing boundary priors and expediting the learning process. (2) Introduction of three meticulously designed rewards, comprising a classification score reward and two intensity distribution rewards, to steer the agents’ erasing process precisely, thereby avoiding both under- and over-segmentation. (3) Implementation of a progressive curriculum learning strategy to enable agents to interact with the environment in a progressively challenging manner, thereby enhancing learning efficiency. Extensively validated on the large in-house BUS and ABUS datasets, our Flip Learning method outperforms state-of-the-art WSS methods and foundation models, and achieves comparable performance as fully-supervised learning algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google