論文要約:Q-Net
Q-Net: Query-Informed Few-Shot Medical Image Segmentation
概要
メタ学習における分布シフト対策。異常検知のADNetを改良し、クエリに基づいてプロトタイプを修正するように改良。MR画像でSOTA。
書誌情報
2022/8/24
Qianqian Shen
江省研究院応用数学・機械知能研究センター
https://arxiv.org/abs/2208.11451v1
背景
医療画像セグメンテーションではアノテーションが少ないため、Meta-learning techniques for few-shot segmentation (Meta-FSS)が利用される。しかし、クエリとデータセットの分布シフトが考慮されていない。
方法
クエリ情報付きMeta-FSS、Q-Netを提案。Q-Netは、異常検知のADNetに基づく。ADNetに、クエリ情報付き閾値適応モジュールとクエリ情報付きプロトタイプ修正モジュールの2つのモジュールを追加、特徴抽出モジュールと2つのモジュールで構成されるネットワークをデュアルパスに拡張。解像度を変えてそれぞれのネットワークに入力、組み合わせる。推論時はクエリ情報付きプロトタイプ修正モジュールはオフにする。
サポート画像 メタ学習用の学習データセット。
クエリー画像 セグメンテーション学習用のテストデータセット。
プロトタイプ 各クラスの平均特徴量。
①サポート画像を特徴量エンコーダーに入力、サポート特徴量を算出。
②サポート特徴量とサポートマスクから前景プロトタイプを算出。
③クエリー画像を特徴量エンコーダーに入力、クエリー特徴量を算出。
④前景プロトタイプとクエリー特徴量が同じとなるように前景プロトコルを更新(プロトタイプ修正モジュール)。
⑤前景プロトタイプとクエリー特徴量からコサイン類似度と閾値に基づいてセグメンテーション(プロトタイプ推定モジュール)。
⑥解像度の異なるネットワークで①~⑤を実施。
⑦2つのネットワークのセグメンテーション結果を合成し、クエリーマスクを生成。
ADNetと比較して、閾値を調整する点、プロトタイプを調整する点、マルチスケールである点、が異なる。
結果
2つのデータセット(腹部MR画像と心臓MR画像)で概ね優位。
Discussion