Fine-grained Correlation Loss for Regression

要約

回帰学習は医用画像解析の古典的かつ基本的な手法である．回帰学習は，属性推定，物体検出，セグメンテーション，非剛体レジストレーションなど，多くの重要なアプリケーションに連続的なマッピングを提供する．しかし、これまでの研究では、平均二乗誤差のようなケースワイズ基準を最適化目標として主に取り上げてきた。また、多くのタスクで最終的な評価指標となる、非常に重要な母集団相関基準を無視した。本研究では、きめ細かな相関損失を直接最適化する新しい研究により、古典的な回帰タスクを再考することを提案する。我々は主に、学習可能な損失として2つの相補的な相関指標を探索する。すなわち、Pearson linear correlation (PLC) とSpearman rank correlation (SRC)である。本論文の貢献は2つである。まず、グローバルレベルのPLCについて、外れ値に対してロバストにする戦略を提案し、主要な分布因子を正則化する。これらの取り組みにより、学習が安定化し、PLCの有効性が大きく向上する。第二に、ローカルレベルのSRCに対して、サンプル間の正確な順位付けの学習を容易にするために、粗から細へのスキームを提案する。具体的には、サンプルの順位付けの学習を、サンプル間の類似性関係の学習に変換する。我々は、画質評価と生体計測を含む2つの典型的な超音波画像回帰タスクにおいて、本手法を広範囲に渡って検証する。実験により、相関を直接最適化するためのきめ細かいガイダンスにより、回帰性能が大幅に改善されることが証明された。提案する相関損失は一般的なものであり、より重要なアプリケーションに拡張することが可能である。

要約(オリジナル)

Regression learning is classic and fundamental for medical image analysis. It provides the continuous mapping for many critical applications, like the attribute estimation, object detection, segmentation and non-rigid registration. However, previous studies mainly took the case-wise criteria, like the mean square errors, as the optimization objectives. They ignored the very important population-wise correlation criterion, which is exactly the final evaluation metric in many tasks. In this work, we propose to revisit the classic regression tasks with novel investigations on directly optimizing the fine-grained correlation losses. We mainly explore two complementary correlation indexes as learnable losses: Pearson linear correlation (PLC) and Spearman rank correlation (SRC). The contributions of this paper are two folds. First, for the PLC on global level, we propose a strategy to make it robust against the outliers and regularize the key distribution factors. These efforts significantly stabilize the learning and magnify the efficacy of PLC. Second, for the SRC on local level, we propose a coarse-to-fine scheme to ease the learning of the exact ranking order among samples. Specifically, we convert the learning for the ranking of samples into the learning of similarity relationships among samples. We extensively validate our method on two typical ultrasound image regression tasks, including the image quality assessment and bio-metric measurement. Experiments prove that, with the fine-grained guidance in directly optimizing the correlation, the regression performances are significantly improved. Our proposed correlation losses are general and can be extended to more important applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL