Multi-source adversarial transfer learning for ultrasound image segmentation with limited similarity

要約

深層学習技術に基づく超音波医用画像の病変セグメンテーションは、病気の診断に広く使用されている方法です。
医療センターやその他の場所には大量の超音波画像データがありますが、ラベル付きの超音波データセットは希少なリソースであり、新しい組織/臓器については利用できるデータセットがない可能性があります。
転移学習はこの問題を解決する可能性を提供しますが、自然画像にはターゲット領域に関係のない特徴が多すぎます。
ソース ドメインとして、タスクに役立たない冗長な特徴が抽出されます。
超音波画像間の移行によりこの問題は回避できますが、公開されているデータセットの種類はほとんどなく、十分に類似したソース ドメインを見つけるのは困難です。
自然画像と比較して、超音波画像は情報が少なく、異なる超音波画像間で伝達できる特徴が少ないため、負の伝達が発生する可能性があります。
この目的を達成するために、超音波画像セグメンテーションのためのマルチソース敵対的転移学習ネットワークが提案されています。
具体的には、アノテーションの欠如に対処するために、敵対的転移学習のアイデアを使用して、ソース ドメインとターゲット ドメインの特定のペアの間の共通の特徴を適応的に抽出します。これにより、ラベルのない超音波データを利用する可能性が得られます。
単一ソース ドメインの知識不足を軽減するために、マルチソース転移学習を採用して、複数のソース ドメインからの知識を融合します。
融合の有効性を確保し、貴重なデータの使用を最大限に活用するために、ターゲット ドメインのデータ分布の推定を改善するマルチソース ドメイン独立戦略も提案されており、これによりマルチソース敵対者の学習能力がさらに向上します。
複数のドメインにおける移行学習ネットワーク。

要約(オリジナル)

Lesion segmentation of ultrasound medical images based on deep learning techniques is a widely used method for diagnosing diseases. Although there is a large amount of ultrasound image data in medical centers and other places, labeled ultrasound datasets are a scarce resource, and it is likely that no datasets are available for new tissues/organs. Transfer learning provides the possibility to solve this problem, but there are too many features in natural images that are not related to the target domain. As a source domain, redundant features that are not conducive to the task will be extracted. Migration between ultrasound images can avoid this problem, but there are few types of public datasets, and it is difficult to find sufficiently similar source domains. Compared with natural images, ultrasound images have less information, and there are fewer transferable features between different ultrasound images, which may cause negative transfer. To this end, a multi-source adversarial transfer learning network for ultrasound image segmentation is proposed. Specifically, to address the lack of annotations, the idea of adversarial transfer learning is used to adaptively extract common features between a certain pair of source and target domains, which provides the possibility to utilize unlabeled ultrasound data. To alleviate the lack of knowledge in a single source domain, multi-source transfer learning is adopted to fuse knowledge from multiple source domains. In order to ensure the effectiveness of the fusion and maximize the use of precious data, a multi-source domain independent strategy is also proposed to improve the estimation of the target domain data distribution, which further increases the learning ability of the multi-source adversarial migration learning network in multiple domains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google