Is Two-shot All You Need? A Label-efficient Approach for Video Segmentation in Breast Ultrasound

要約

乳房超音波（BUS）ビデオからの乳房病変のセグメンテーションは、早期の診断と治療に役立つ可能性があります。
既存のビデオ オブジェクト セグメンテーション (VOS) 方法では通常、高密度のアノテーションが必要ですが、医療データセットではアクセスできないことがよくあります。
さらに、彼らは累積的なエラーと明確な時空認識の欠如に悩まされています。
この研究では、BUS ビデオ セグメンテーションのための新しいツーショット トレーニング パラダイムを提案します。
これは、フリーレンジの時空間の一貫性をキャプチャできるだけでなく、ソース依存の拡張スキームも利用します。
このラベル効率の良い学習フレームワークは、困難な社内 BUS ビデオ データセットで検証されています。
結果は、わずか 1.9% のトレーニング ラベルを与えて完全に注釈を付けたものと同等のパフォーマンスを獲得したことを示しました。

要約(オリジナル)

Breast lesion segmentation from breast ultrasound (BUS) videos could assist in early diagnosis and treatment. Existing video object segmentation (VOS) methods usually require dense annotation, which is often inaccessible for medical datasets. Furthermore, they suffer from accumulative errors and a lack of explicit space-time awareness. In this work, we propose a novel two-shot training paradigm for BUS video segmentation. It not only is able to capture free-range space-time consistency but also utilizes a source-dependent augmentation scheme. This label-efficient learning framework is validated on a challenging in-house BUS video dataset. Results showed that it gained comparable performance to the fully annotated ones given only 1.9% training labels.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google