S$^3$-TTA: Scale-Style Selection for Test-Time Augmentation in Biomedical Image Segmentation

要約

深層学習モデルは生物医学画像のセグメンテーションに成功しています。
現実の展開に一般化するには、テスト時拡張 (TTA) メソッドを使用して、テスト イメージをトレーニング ドメインに近いさまざまなバージョンに変換することがよくあります。
残念ながら、インスタンスのスケールと画像スタイルが非常に多様であるため、多くの拡張テスト画像では望ましくない結果が生成され、全体的なパフォーマンスが低下します。
この研究では、変換一貫性メトリックに基づいて各テスト画像に適切な画像スケールとスタイルを選択する新しい TTA フレームワーク S$^3$-TTA を提案します。
さらに、S$^3$-TTA は、エンドツーエンドの拡張-セグメンテーション共同トレーニング パイプラインを構築して、タスク指向の拡張を保証します。
細胞と肺のセグメンテーションの公開ベンチマークでは、S$^3$-TTA は、テスト段階で入力データを単純に増やすだけで、従来技術に比べてそれぞれ 3.4% と 1.3% の改善を示しています。

要約(オリジナル)

Deep-learning models have been successful in biomedical image segmentation. To generalize for real-world deployment, test-time augmentation (TTA) methods are often used to transform the test image into different versions that are hopefully closer to the training domain. Unfortunately, due to the vast diversity of instance scale and image styles, many augmented test images produce undesirable results, thus lowering the overall performance. This work proposes a new TTA framework, S$^3$-TTA, which selects the suitable image scale and style for each test image based on a transformation consistency metric. In addition, S$^3$-TTA constructs an end-to-end augmentation-segmentation joint-training pipeline to ensure a task-oriented augmentation. On public benchmarks for cell and lung segmentation, S$^3$-TTA demonstrates improvements over the prior art by 3.4% and 1.3%, respectively, by simply augmenting the input data in testing phase.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google