Diversity-Promoting Ensemble for Medical Image Segmentation

要約

医用画像のセグメンテーションは、正確な診断と治療のために注釈の精度が非常に重要である医用画像で活発に研究されているタスクです。
近年、さまざまな深層学習システムを使用してこのタスクに取り組んできましたが、最も人気のあるモデルは U-Net です。
この作業では、アンサンブルを形成するモデルの多様性 (非相関) を活用することにより、医用画像セグメンテーション用の異なるアーキテクチャのアンサンブルを生成する新しい戦略を提案します。
より具体的には、モデルペア間の Dice スコアを使用して、各ペアを形成する 2 つのモデルの出力間の相関を推定します。
多様性を促進するために、Dice スコアが低いモデルを相互に選択します。
胃腸管の画像セグメンテーション実験を実施して、多様性促進アンサンブル (DiPE) を別の戦略と比較し、最高得点の U-Net モデルの選択に基づいてアンサンブルを作成します。
私たちの経験的な結果は、DiPE が個々のモデルと、最高のスコアリング モデルの選択に基づくアンサンブル作成戦略の両方を上回っていることを示しています。

要約(オリジナル)

Medical image segmentation is an actively studied task in medical imaging, where the precision of the annotations is of utter importance towards accurate diagnosis and treatment. In recent years, the task has been approached with various deep learning systems, among the most popular models being U-Net. In this work, we propose a novel strategy to generate ensembles of different architectures for medical image segmentation, by leveraging the diversity (decorrelation) of the models forming the ensemble. More specifically, we utilize the Dice score among model pairs to estimate the correlation between the outputs of the two models forming each pair. To promote diversity, we select models with low Dice scores among each other. We carry out gastro-intestinal tract image segmentation experiments to compare our diversity-promoting ensemble (DiPE) with another strategy to create ensembles based on selecting the top scoring U-Net models. Our empirical results show that DiPE surpasses both individual models as well as the ensemble creation strategy based on selecting the top scoring models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google