An Attentive Representative Sample Selection Strategy Combined with Balanced Batch Training for Skin Lesion Segmentation
Created by
Haebom
Category
Empty
저자
Stephen Lloyd-Brown, Susan Francis, Caroline Hoad, Penny Gowland, Karen Mullinger, Andrew French, Xin Chen
개요
의료 영상 분할 연구에서 전체 비표지 데이터셋에서 효과적으로 주석을 달 라벨링할 훈련 부분집합을 선택하는 문제는 종종 간과된다. 많은 연구에서 무작위로 훈련 집합을 선택하지만, 특히 각 훈련 이미지가 성능 결과에 큰 영향을 미치는 최소한의 감독 설정에서 최적이 아닌 모델 성능으로 이어질 수 있다. 본 연구는 이 문제를 해결하고자 대표적이고 다양한 샘플을 주석하기 위해 원형 대조 학습과 클러스터링을 사용한다. 주문형 클러스터 기반 이미지 선택 프로세스를 통해 이전 연구를 개선하고, 최소한의 주석 데이터로 모델 학습을 개선하기 위해 의료 영상 분할에 대한 비지도 균형 배치 데이터 로딩 개념을 도입한다. 공개 피부 병변 데이터셋(ISIC 2018)에서 방법을 평가하고 다른 최첨단 데이터 샘플링 방법과 비교하여 낮은 주석 예산 시나리오에서 우수한 성능을 달성했다.
시사점, 한계점
•
시사점:
◦
최소한의 주석 데이터로 의료 영상 분할 모델의 성능을 향상시키는 새로운 방법 제시.
◦
원형 대조 학습과 클러스터링 기반의 효과적인 훈련 데이터 선택 전략 제시.
◦
비지도 균형 배치 데이터 로딩 기법을 의료 영상 분할에 적용하여 성능 향상.
◦
제한된 주석 예산 환경에서 우수한 성능을 입증.
•
한계점:
◦
제안된 방법의 성능은 특정 데이터셋(ISIC 2018)에 대한 평가에 기반하며, 다른 데이터셋에 대한 일반화 성능은 추가적인 연구가 필요.
◦
클러스터 기반 이미지 선택 프로세스 및 비지도 균형 배치 데이터 로딩의 매개변수 최적화에 대한 추가 연구가 필요.
