Core Concepts
医療画像の少数教師学習において、テンプレート画像の選択が最終的な性能に大きな影響を与える。本研究では、自己教師学習に基づくサンプル選択ポリシー(SCP)を提案し、テンプレート画像を効果的に選択することで、少数教師学習の性能を大幅に向上させる。
Abstract
本研究は、医療画像の少数教師学習における重要な問題、すなわちテンプレート画像の選択について取り組んでいる。
まず、自己教師学習に基づく特徴抽出器を構築し、画像の特徴を抽出する。次に、SIFT特徴点を用いて画像中の有意な特徴点を検出し、これらの特徴点間の類似度を計算することで、最も代表的なテンプレート画像を選択する。
提案手法であるSCPは、ランダムに選択したテンプレートと比較して、Cephalometric Xrayデータセットでは平均半径誤差(MRE)を14.2%、Hand Xrayデータセットでは35.5%改善することができた。
さらに、選択したテンプレートを用いて半教師学習による精密な landmark 検出を行うことで、state-of-the-artの性能を達成している。
Stats
最良のテンプレートを選択した場合のMREは2.863mm
ランダムに選択したテンプレートの平均MREは3.595mm
提案手法SCPで選択したテンプレートのMREは3.083mm
Quotes
"The success of deep learning methods relies on the availability of well-labeled large-scale datasets. However, for medical images, annotating such abundant training data often requires experienced radiologists and consumes their limited time."
"We herein propose a novel Sample Choosing Policy (SCP) to select "the most worthy" images for annotation, in the context of few-shot medical landmark detection."