소량 데이터 기반 복부 영상 분할을 위한 베이지안 적응 가중 앙상블 방법

Bayesian adaptively-weighted ensembles for few-shot abdominal segmentation

레이블이 부족한 경우, 소량 데이터 학습은 해부학적 영상 분할에 유망한 접근 방식으로 떠오르고 있습니다. 그러나 다양한 소량 데이터 학습 알고리즘은 상호 보완적인 강점과 약점을 가지고 있으며, 성능은 해부학적 대상 및 기관에 따라 다릅니다. 기존의 소량 데이터 기반 분할 앙상블 방법은 여러 알고리즘의 예측 결과를 결합하지만, 일반적으로 고정된 가중치 방식을 사용하므로 목표 도메인에 따라 모델 기여도를 조정할 수 없습니다. 본 연구에서는 레이블 부족 및 도메인 변화 상황에서 분할을 위한 베이지안 적응 가중 앙상블 프레임워크를 제안합니다. 먼저, 소량의 레이블이 있는 지원 데이터를 사용하여 여러 개의 소량 데이터 기반 분할 알고리즘을 조정합니다. 그런 다음, 베이지안 최적화 기법을 사용하여 목표 도메인 검증 세트에서 분할 성능을 극대화하는 앙상블 가중치를 자동으로 식별합니다. 학습된 가중치는 고정되어 있으며, 이를 사용하여 목표 도메인의 이전에 보지 못한 쿼리 이미지에 대한 예측 결과를 결합합니다. 제안된 프레임워크는 Cross-institution Male Pelvic Structures 데이터 세트를 사용하여 홀드아웃 해부학적 구조와 기관을 활용하여 동시 레이블 부족 및 기관별 도메인 변화를 시뮬레이션했습니다. 실험 결과는 개별 소량 데이터 학습 모델, 고정 가중치 앙상블 방법, 처음부터 학습하는 기준 모델 및 최신 최고 성능의 앙상블 접근 방식에 비해 통계적으로 유의미한 성능 향상을 보여줍니다. 제안된 프레임워크는 모델 기여도를 목표 해부학적 구조 및 기관별 도메인에 맞게 조정하여, 심각한 어노테이션 제약 조건 하에서 분할 시스템을 새로운 임상 환경에 적용하는 실용적인 방법을 제공합니다.

Few-shot learning has emerged as a promising approach for anatomical segmentation when labelled data are scarce. However, different few-shot learning algorithms exhibit complementary strengths and weaknesses, with performance varying across anatomical targets and institutions. Existing few-shot segmentation ensembles, that combine predictions from multiple algorithms, typically employ fixed weighting schemes and therefore cannot adjust model contributions according to the target domain. In this work, we propose a Bayesian adaptively-weighted ensemble framework for segmentation under label scarcity and domain shift. Multiple few-shot segmentation algorithms are first adapted using a small labelled support set. Bayesian optimisation is then used to automatically identify ensemble weights that maximise segmentation performance on a target-domain validation set. The learned weights are subsequently fixed and applied to combine predictions on previously unseen query images from the target domain. The proposed framework is evaluated on the Cross-institution Male Pelvic Structures dataset using held-out anatomical structures and institutions to simulate simultaneous label scarcity and institutional domain shift. Results demonstrate statistically significant improvements over individual few-shot learners, fixed-weight ensembles, training-from-scratch baselines and recent state-of-the-art ensembling approaches. By adapting model contributions to the target anatomy and institutional domain, the proposed framework provides a practical mechanism for deploying segmentation systems to new clinical sites under severe annotation constraints.