SPARSEデータ、リッチな結果：クラス条件付き画像変換による少数ショット半教師あり学習

科学分野:

• 医療画像処理
• 人工知能
• 機械学習

背景:

• 医療画像における深層学習は、限られたラベル付きデータによって妨げられています。
• 既存の手法は低データレジームで苦労しており、注釈コストが増加しています。
• わずかな注釈で効果的なモデルを開発することは、重要な課題です。

研究 の 目的:

• 医療画像用の新しいGANベース半教師あり学習フレームワークを導入すること。
• 低データレジームにおけるラベル付きトレーニングデータの不足という課題に対処すること。
• 最小限のラベル付きサンプルで堅牢な分類パフォーマンスを可能にすること。

主な方法:

• ジェネレータ、ディスクリミネータ、および分類器を統合した3フェーズのトレーニングフレームワーク。
• 限られたラベル付きデータでの教師ありトレーニングと、画像対画像変換による教師なし学習を交互に行うこと。
• 指数移動平均を使用した信頼性重み付けと時間的一貫性によるアンサンブルベースの疑似ラベリング。

主要な成果:

• 11個のMedMNISTデータセットすべてにおいて、6つの最先端のGANベース半教師あり法と比較して統計的に有意な改善を示しました。
• 極端な5ショット設定での例外的なパフォーマンスは、最小限のラベル付きデータでの有効性を示しました。
• 評価されたすべての設定（各クラス5、10、20、50ショット）で一貫して優れた結果を示しました。

結論:

• 提案されたフレームワークは、法外な注釈コストがかかる医療画像アプリケーションに実用的なソリューションを提供します。
• 極めて限られたラベル付きデータであっても、堅牢な分類パフォーマンスを可能にします。
• データが少ない医療画像シナリオにおけるGANベースの半教師あり学習の可能性を示しています。