Error Corrective Boosting for Learning Fully Convolutional Networks with Limited Data

スポンサーリンク

---

Fig1. 本論文の学習の流れ

論文URL

https://arxiv.org/pdf/1705.00938.pdf

2017年7月公開

ポイント

• 以下の条件で、脳のMRI画像をSegmentation
  • ラベル無しMRI画像は数多く有るが、医師によるラベル付きMRI画像が少ない
  • 既存のSegmentationソフトウェア(FreeSurfer)が有る
• Error Correcting Boostingにより分類精度の低いクラスの学習を効率化
  • 損失関数を工夫している

学習の流れ

1. 大量のラベル無しMRI画像(IXI Dataset)を既存ソフトウェア(FreeSurfer)でSegmentation
2. 上記Segmentation結果を教師データとして、FreeSurferを模倣するSegmentationモデル(IXI FS-Net)を学習
3. 少量のラベル付きMRI画像でIXI FS-Netをfine tuning
   • Error Correcting Boostingも適用

損失関数

• IXI FS-Net学習時の損失関数

  • 損失関数(Eq1)の第一項はlogistic loss、第二項はdice loss

    

    Eq1

  • logistic lossの重み (Eq2)の第一項は教師ラベルの頻度の偏りを補正する項、第二項はSegmentationのクラス境界領域画素に付与する追加の重み

    

    Eq2

• Error Correcting Boosting

  • 上手く学習できていないクラスのロスを大きくするよう、fine tuning時にEq2第一項の重みをEq3に変更
  • t回目エポックの検証精度a^t が低いクラスほど損失が大きくなるようになっている

    

    Eq3