Progressive Growing of Patch Size: Curriculum Learning for Accelerated and Improved Medical Image Segmentation
Created by
- Haebom
Category
Empty
저자
Stefan M. Fischer, Johannes Kiechle, Laura Daza, Lina Felsner, Richard Osuala, Daniel M. Lang, Karim Lekadir, Jan C. Peeken, Julia A. Schnabel
개요
본 연구에서는 3D 의료 영상 분할을 위한 자동 커리큘럼 학습 접근 방식인 Progressive Growing of Patch Size를 소개합니다. 이 접근 방식은 모델 훈련 동안 패치 크기를 점진적으로 증가시켜 작은 패치 크기에 대한 클래스 균형을 개선하고 훈련 프로세스의 수렴을 가속화합니다. 자원 효율 모드와 성능 모드 두 가지 설정에서 Dice score 성능 및 계산 비용 측면에서 15가지 3D 의료 영상 분할 작업에 걸쳐 평가했습니다. 자원 효율 모드는 훈련 시간을 44%로 크게 줄이면서 기존의 고정 패치 크기 샘플링 기준선과 Dice score 성능을 일치시킵니다. 성능 모드는 고정 패치 크기 분할 결과를 개선하여 Dice Score에서 통계적으로 유의미한 평균 1.28%의 상대적 성능 향상을 달성했습니다. 제안된 성능 모드는 15개의 모든 작업에서 고정 패치 크기 기준선을 Dice Score 성능으로 능가하면서 동시에 훈련 시간을 89%로 단축했습니다. 이러한 이점은 병변 분할 작업과 같이 매우 불균형한 작업에서 특히 두드러졌습니다. 연구 결과는 제안된 커리큘럼 샘플링이 특정 아키텍처에 국한되지 않고 UNet, UNETR, SwinUNETR을 포함한 다양한 분할 모델에서 일관적으로 성능을 향상시키는 광범위하게 적용 가능한 전략임을 보여줍니다.
시사점, 한계점
•
시사점:
◦
3D 의료 영상 분할에서 패치 크기를 점진적으로 증가시키는 방법론 제시.
◦
Dice score 성능 향상 및 훈련 시간 단축.
◦
불균형 데이터셋에 대한 성능 향상 효과.
◦
다양한 분할 모델(UNet, UNETR, SwinUNETR 등)에 적용 가능.
◦
성능 변동성 감소로 모델 비교의 신뢰성 향상.
•
한계점:
◦
논문 내용에 명시된 한계점은 없음.
