Flip Learning: Weakly Supervised Erase to Segment Nodules in Breast Ultrasound
Created by
Haebom
저자
Yuhao Huang, Ao Chang, Haoran Dou, Xing Tao, Xinrui Zhou, Yan Cao, Ruobing Huang, Alejandro F Frangi, Lingyun Bao, Xin Yang, Dong Ni
개요
본 논문은 유방 초음파 영상(2D BUS 및 3D ABUS)에서 결절을 정확하게 분할하는 자동화 시스템을 개발하기 위해 약지도 학습(WSS) 기반의 새로운 다중 에이전트 강화 학습 프레임워크인 "Flip Learning"을 제안합니다. 기존 WSS 방법들의 부정확한 활성화 맵이나 비효율적인 의사 마스크 생성 알고리즘의 한계를 극복하고자, 2D/3D 박스만을 이용하여 정확한 분할을 수행합니다. 여러 에이전트가 박스에서 목표물을 지우는 과정을 통해 분류 태그를 뒤집는 방식을 사용하며, 지워진 영역을 예측 분할 마스크로 활용합니다. 슈퍼픽셀/슈퍼복셀 기반 접근 방식, 세 가지 보상 함수(분류 점수 보상 및 두 가지 강도 분포 보상), 점진적 커리큘럼 학습 전략을 통해 정확하고 효율적인 학습을 달성합니다. 대규모 자체 BUS 및 ABUS 데이터셋에서의 실험 결과, Flip Learning은 최첨단 WSS 방법 및 기본 모델들을 능가하며, 완전 지도 학습 알고리즘과 유사한 성능을 달성했습니다.
시사점, 한계점
•
시사점:
◦
2D/3D 유방 초음파 영상에서 결절 분할의 정확도 향상 및 자동화를 통한 진단 및 치료 계획 수립 시간 단축.
◦
약지도 학습을 통해 데이터 라벨링에 드는 노력과 시간을 절감.
◦
슈퍼픽셀/슈퍼복셀 기반 접근, 다중 에이전트 강화 학습, 점진적 커리큘럼 학습 전략을 통한 효율적이고 정확한 학습 방법 제시.
◦
최첨단 WSS 방법 및 기본 모델 대비 우수한 성능 달성.
•
한계점:
◦
본 연구에서 사용된 데이터셋이 자체 구축 데이터셋이라는 점. 외부 데이터셋으로의 일반화 성능 검증 필요.
