Gaussian Process Emulators for Few-Shot Segmentation in Cardiac MRI

要約

心臓磁気共鳴画像 (MRI) のセグメンテーションは、心臓機能の分析と評価に不可欠であり、さまざまな心血管疾患の診断と治療に役立ちます。
最近の技術のほとんどは深層学習に依存しており、通常は大量のラベル付きデータが必要です。
この問題を克服するために、少数ショット学習には、ラベル付きデータへのデータ依存性を減らす機能があります。
この研究では、少数ショット学習を U-Net アーキテクチャおよびガウス プロセス エミュレーター (GPE) と統合する新しい手法を導入し、サポート セットからのデータ統合を強化してパフォーマンスを向上させます。
GPE は、サポート画像と潜在空間内の対応するマスクの間の関係を学習するようにトレーニングされており、推論時にラベル付きの小さなサポート セットのみが与えられた場合に、目に見えないクエリ画像のセグメンテーションを容易にします。
M&Ms-2 公開データセットを使用してモデルをテストし、さまざまな方向からの心臓磁気共鳴画像法で心臓をセグメント化する能力を評価し、最先端の教師なしおよび少数ショットの方法と比較します。
私たちのアーキテクチャは、特にサポート セットのサイズがかなり小さい、より困難なセットアップにおいて、これらの方法と比較してより高い DICE 係数を示します。

要約(オリジナル)

Segmentation of cardiac magnetic resonance images (MRI) is crucial for the analysis and assessment of cardiac function, helping to diagnose and treat various cardiovascular diseases. Most recent techniques rely on deep learning and usually require an extensive amount of labeled data. To overcome this problem, few-shot learning has the capability of reducing data dependency on labeled data. In this work, we introduce a new method that merges few-shot learning with a U-Net architecture and Gaussian Process Emulators (GPEs), enhancing data integration from a support set for improved performance. GPEs are trained to learn the relation between the support images and the corresponding masks in latent space, facilitating the segmentation of unseen query images given only a small labeled support set at inference. We test our model with the M&Ms-2 public dataset to assess its ability to segment the heart in cardiac magnetic resonance imaging from different orientations, and compare it with state-of-the-art unsupervised and few-shot methods. Our architecture shows higher DICE coefficients compared to these methods, especially in the more challenging setups where the size of the support set is considerably small.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google