医療画像のsemantic segmentationにおけるactive learning時の不確実性サンプリング基準の検討

抄録

医療画像の解釈には医師による読影を必要とすることが少なくない。その負担を軽減するsemantic segmentationでは学習時に医師がアノテーションを行う必要がある。こうしたコストの削減に向け予測結果のuncertaintyでアノテーションする画像を選別し、active learningを行うことがあるが、その基準の知見は多くない。従って冠動脈血管内超音波画像のsemantic segmentationを題材に、最初の学習に要する教師ありデータの量と、人手によるアノテーションの必要性を判断する基準の変化による、最終的な精度への影響を検証し、効率的なactive learningの戦略を検討した。 画像の枚数等に関して複数の設定で学習したU-netのモデル間を比較したところ、開始時の画像数に関わらず、最終的には同じ精度に到達し、初期の精度の低い画像がモデルにあまり悪影響をおよぼさないとが示唆された。これより少ない数の教師付き画像からでも学習を開始し、より不確実性の高いアノテーション画像と予測画像を用いて後続モデルを構築することが効率的であると結論づけられた。