Core Concepts
ラベルマージアンドスプリットは、深層学習ベースの脳全体の分割のメモリ要件を大幅に削減しながら、分割精度を維持する。
Abstract
本研究では、ラベルマージアンドスプリットと呼ばれる手法を提案している。この手法は以下の3つのステップから成る:
事前に訓練データのラベルを自動的にグループ化し、マージする。これにより、学習と推論に必要なラベル数を大幅に削減できる。グループ化は、ラベル間の空間的距離と平均ラベル体積の比率に基づくグラフ彩色アルゴリズムを用いて行う。
削減されたラベル数で3D U-Netモデルを訓練する。
推論時に、予測されたマージラベルを元のラベルに復元する。これは、訓練データから作成したラベルの影響領域マップを用いて行う。
提案手法を3つの公開データセットで評価した結果、ラベル数を最大68%削減しつつ、分割精度を維持できることが示された。また、GPU メモリ使用量と処理時間も大幅に削減された。本手法は、脳全体の分割以外の多クラス セマンティック分割タスクにも適用可能である。
Stats
提案手法によりラベル数を最大68%削減できた。
GPU メモリ使用量は訓練時に50%、推論時に21%削減された。
訓練時の1エポックあたりの時間は43-49%短縮された。
推論時間は半分に短縮された。
Quotes
"ラベルマージアンドスプリットは、深層学習ベースの脳全体の分割のメモリ要件を大幅に削減しながら、分割精度を維持する。"
"提案手法を3つの公開データセットで評価した結果、ラベル数を最大68%削減しつつ、分割精度を維持できることが示された。"
"本手法は、脳全体の分割以外の多クラス セマンティック分割タスクにも適用可能である。"