Automated Ensemble Search Framework for Semantic Segmentation Using Medical Imaging Labels

要約

最先端のセマンティック セグメンテーション ネットワークを使用して、画像内の特定の病状を確実に分類および検出するには、膨大な量のピクセル単位の注釈が必要です。
ただし、そのようなデータセットの公開は最小限です。
したがって、画像レベルのラベルを使用したセマンティック セグメンテーションは、この問題に対する有望な代替手段となります。
それにもかかわらず、この技術とその医療分野への適用性を評価することに焦点を当てた研究はほとんどありません。
その複雑さと医療データセットのトレーニング例の数が少ないため、クラス活性化マップ (CAM) のような分類子ベースの弱い教師付きネットワークは、それらから有用な情報を抽出するのに苦労しています。
ただし、ほとんどの最先端のアプローチは、改善を達成するためにそれらに依存しています。
したがって、複雑なデータセットの低品質の CAM 予測を引き続き利用して、結果の精度を向上させることができるフレームワークを提案します。
私たちのフレームワークは、最初に低いしきい値のCAMを利用してターゲットオブジェクトを高い確実性でカバーすることによってそれを達成します。
2 つ目は、複数の低しきい値 CAM を組み合わせて、ターゲット オブジェクトを強調しながらエラーを均一化することです。
人気のあるマルチモーダル BRATS および前立腺 DECATHLON セグメンテーション チャレンジ データセットで徹底的な実験を行いました。
提案されたフレームワークを使用して、以前の最先端技術と比較して、BRATS で最大 8%、DECATHLON データセットで 6% の改善されたダイス スコアを実証しました。

要約(オリジナル)

Reliable classification and detection of certain medical conditions, in images, with state-of-the-art semantic segmentation networks, require vast amounts of pixel-wise annotation. However, the public availability of such datasets is minimal. Therefore, semantic segmentation with image-level labels presents a promising alternative to this problem. Nevertheless, very few works have focused on evaluating this technique and its applicability to the medical sector. Due to their complexity and the small number of training examples in medical datasets, classifier-based weakly supervised networks like class activation maps (CAMs) struggle to extract useful information from them. However, most state-of-the-art approaches rely on them to achieve their improvements. Therefore, we propose a framework that can still utilize the low-quality CAM predictions of complicated datasets to improve the accuracy of our results. Our framework achieves that by first utilizing lower threshold CAMs to cover the target object with high certainty; second, by combining multiple low-threshold CAMs that even out their errors while highlighting the target object. We performed exhaustive experiments on the popular multi-modal BRATS and prostate DECATHLON segmentation challenge datasets. Using the proposed framework, we have demonstrated an improved dice score of up to 8% on BRATS and 6% on DECATHLON datasets compared to the previous state-of-the-art.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google