Adaptive Affinity-Based Generalization For MRI Imaging Segmentation Across Resource-Limited Settings

要約

医療画像セグメンテーションのための多様なデータソースの共同利用は、データの不均一性、ドメインシフト、データ品質の不一致などの課題に対処することを目的とした、重要な研究分野として浮上している。複数のデータ領域からの情報を統合することで、モデルの汎化性と適応性が向上することが期待されている。しかし、このアプローチはしばしば多大な計算資源を必要とし、実用性の妨げとなっている。これに対して、知識蒸留（KD）が解決策として注目されている。KDは、リソースを大量に消費するモデルの動作をエミュレートするために軽量モデルを学習させることで、性能を維持しながら計算負荷を軽減する。本論文では、データ統合の課題を効果的に処理できる、医用画像セグメンテーションのための軽量で汎用性のあるモデルを開発する差し迫った必要性に取り組む。我々の提案するアプローチは、特徴間のスタイル表現を捉えることができるグラム行列を通して、適応的な親和性ベースとカーネルベースの蒸留をシームレスに組み合わせることで、新しい関係ベースの知識フレームワークを導入する。この方法論により、生徒モデルは教師モデルの特徴表現を正確に再現することができ、ドメインシフトやデータの異質性に直面しても頑健な性能を発揮することができる。我々の革新的なアプローチを検証するために、公開されているマルチソースの前立腺MRIデータを用いて実験を行った。その結果、軽量ネットワークを用いることで、セグメンテーション性能が大幅に向上することが実証された。特筆すべきことに、我々の手法は、推論時間とストレージ使用量の両方を削減しながらこの改善を達成しており、リアルタイムの医療画像セグメンテーションのための実用的で効率的なソリューションとなっている。

要約(オリジナル)

The joint utilization of diverse data sources for medical imaging segmentation has emerged as a crucial area of research, aiming to address challenges such as data heterogeneity, domain shift, and data quality discrepancies. Integrating information from multiple data domains has shown promise in improving model generalizability and adaptability. However, this approach often demands substantial computational resources, hindering its practicality. In response, knowledge distillation (KD) has garnered attention as a solution. KD involves training light-weight models to emulate the behavior of more resource-intensive models, thereby mitigating the computational burden while maintaining performance. This paper addresses the pressing need to develop a lightweight and generalizable model for medical imaging segmentation that can effectively handle data integration challenges. Our proposed approach introduces a novel relation-based knowledge framework by seamlessly combining adaptive affinity-based and kernel-based distillation through a gram matrix that can capture the style representation across features. This methodology empowers the student model to accurately replicate the feature representations of the teacher model, facilitating robust performance even in the face of domain shift and data heterogeneity. To validate our innovative approach, we conducted experiments on publicly available multi-source prostate MRI data. The results demonstrate a significant enhancement in segmentation performance using lightweight networks. Notably, our method achieves this improvement while reducing both inference time and storage usage, rendering it a practical and efficient solution for real-time medical imaging segmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL