Learning using privileged information for segmenting tumors on digital mammograms

要約

GDPR 準拠によるデータ量の制限とデータ共有の制限は、医療データを参照する際の可用性とアクセシビリティの低下につながる 2 つの共通要因を構成します。
これらの問題に取り組むために、特権情報を使用した学習手法を紹介します。
このアイデアを実証することを目的として、トレーニング手順中に特権的な情報知識を得ることで、デジタルマンモグラム上の腫瘍のセグメンテーションの品質を向上させる堅牢なモデルの構築を試みます。
この方向に向けて、スチューデントと呼ばれるベースライン モデルは、元のマンモグラムから抽出されたパッチでトレーニングされますが、同じアーキテクチャを持つ教師と呼ばれる補助モデルは、このようにして特権情報にアクセスする対応する強化されたパッチでトレーニングされます。
今回は教師モデルの支援を提供して、学生のトレーニング手順を繰り返します。
実験結果によると、提案された方法論はほとんどの場合でパフォーマンスが向上し、ベースラインと比較して 10% 高い F1 スコアを達成できるようです。

要約(オリジナル)

Limited amount of data and data sharing restrictions, due to GDPR compliance, constitute two common factors leading to reduced availability and accessibility when referring to medical data. To tackle these issues, we introduce the technique of Learning Using Privileged Information. Aiming to substantiate the idea, we attempt to build a robust model that improves the segmentation quality of tumors on digital mammograms, by gaining privileged information knowledge during the training procedure. Towards this direction, a baseline model, called student, is trained on patches extracted from the original mammograms, while an auxiliary model with the same architecture, called teacher, is trained on the corresponding enhanced patches accessing, in this way, privileged information. We repeat the student training procedure by providing the assistance of the teacher model this time. According to the experimental results, it seems that the proposed methodology performs better in the most of the cases and it can achieve 10% higher F1 score in comparison with the baseline.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google