Learn2Synth: ハイパグラディエンツを用いた脳画像セグメンテーションのための最適データ合成の学習

arXiv:2411.16719v4 Announce Type: replace-cross 要旨：合成によるドメインランダム化は、入力画像のドメインに対してバイアスを伴わないネットワークをトレーニングするための強力な戦略です。ランダム化により、ネットワークはトレーニング中にほぼ無限の範囲の強度とアーチファクトを目にすることができ、外観への過学習を最小化し、未見データへの一般化を最大化します。このアプローチは強力ですが、合成画像の確率的分布を支配する多数のハイパーパラメータの正確なチューニングに依存します。これらのパラメータを手動でチューニングするのではなく、私たちはLearn2Synthという新しい手順を提案しました。この手順では、合成パラメータは少数のラベル付き実データを介して学習されます。合成データを実データと整列させる制約を課す手法（例：コントラストやアドベンタリウム技法）とは異なり、それらは画像とラベルマスを整列させるリスクを伴い、私たちはセグメンテーションネットワークが合成データでトレーニングされた場合、実データに適用される際に最適な精度を持つように拡張エンジン进行调整します。この手法は、トレーニングプロセスがラベル付き例から恩恵を受けることを可能にし、ながら、これらの実例をセグメンテーションネットワークのトレーニングに一度も使用しないため、ネットワークをトレーニングセットの特性にバイアスするのを避けます。具体的には、セグメンテーションネットワークのパフォーマンスを向上させるよう、合成画像を強化するためのパラメトリックおよび非パラメトリック戦略を確立しました。我々は、この学習戦略を合成および現実的な脳スキャンにおいてその有効性を示しました。コードは利用可能です: https://github.com/HuXiaoling/Learn2Synth.

arXiv:2411.16719v4 Announce Type: replace-cross Abstract: Domain randomization through synthesis is a powerful strategy to train networks that are unbiased with respect to the domain of the input images. Randomization allows networks to see a virtually infinite range of intensities and artifacts during training, thereby minimizing overfitting to appearance and maximizing generalization to unseen data. Although powerful, this approach relies on the accurate tuning of a large set of hyperparameters that govern the probabilistic distribution of the synthesized images. Instead of manually tuning these parameters, we introduce Learn2Synth, a novel procedure in which synthesis parameters are learned using a small set of real labeled data. Unlike methods that impose constraints to align synthetic data with real data (e.g., contrastive or adversarial techniques), which risk misaligning the image and its label map, we tune an augmentation engine such that a segmentation network trained on synthetic data has optimal accuracy when applied to real data. This approach allows the training procedure to benefit from real labeled examples, without ever using these real examples to train the segmentation network, which avoids biasing the network towards the properties of the training set. Specifically, we develop parametric and nonparametric strategies to enhance synthetic images in a way that improves the performance of the segmentation network. We demonstrate the effectiveness of this learning strategy on synthetic and real-world brain scans. Code is available at: https://github.com/HuXiaoling/Learn2Synth.