Curriculum Learning for Few-Shot Domain Adaptation in CT-based Airway Tree Segmentation

要約

深層学習 (DL) の進歩にも関わらず、胸部 CT スキャンからの自動気道セグメンテーションは、セグメンテーションの品質とコホート全体の一般化において課題に直面し続けています。
これらに対処するために、我々は、カリキュラム学習（CL）を気道セグメンテーションネットワークに統合し、CTスキャンと対応するグラウンドトゥルースツリーの特徴から導出されたアドホック複雑さスコアに従ってトレーニングセットをバッチに分散することを提案します。
私たちは特に、完全な微調整データセットへの手動アノテーションのコストが法外に高いシナリオを対象として、少数ショットのドメイン適応を調査します。
結果は、完全なトレーニング (ソース ドメイン) と少数ショットの微調整 (ターゲット ドメイン) に CL を使用した高いパフォーマンスを示す 2 つの大規模なオープン コホート (ATM22 および AIIB23) で報告されています。また、
従来のブートストラッピング スコアリング関数、または適切なスキャン シーケンスを使用していない場合。

要約(オリジナル)

Despite advances with deep learning (DL), automated airway segmentation from chest CT scans continues to face challenges in segmentation quality and generalization across cohorts. To address these, we propose integrating Curriculum Learning (CL) into airway segmentation networks, distributing the training set into batches according to ad-hoc complexity scores derived from CT scans and corresponding ground-truth tree features. We specifically investigate few-shot domain adaptation, targeting scenarios where manual annotation of a full fine-tuning dataset is prohibitively expensive. Results are reported on two large open-cohorts (ATM22 and AIIB23) with high performance using CL for full training (Source domain) and few-shot fine-tuning (Target domain), but with also some insights on potential detrimental effects if using a classic Bootstrapping scoring function or if not using proper scan sequencing.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google