Campionamento Episodico per la Segmentazione della Composizione Corporea in TC con Squilibrio di Classe
Un nuovo studio da arXiv (2605.20405) propone il campionamento episodico, preso in prestito dall'apprendimento few-shot, per affrontare lo squilibrio di classe nella segmentazione di immagini mediche. A differenza del ri-pesatura basato sulla perdita o del campionamento standard, il campionamento episodico controlla esplicitamente quali classi appaiono in ogni batch, garantendo l'esposizione alle classi rare. Il metodo è stato valutato sulla segmentazione della composizione corporea in scansioni TC utilizzando nove classi di muscoli e tessuto adiposo provenienti da 210 scansioni del dataset pubblico SAROS. Sono stati effettuati confronti con il campionamento casuale e ponderato in regimi di dati completi e ridotti.
Fatti principali
- Il campionamento episodico dall'apprendimento few-shot è adattato per la segmentazione completamente supervisionata.
- Lo squilibrio di classe è affrontato promuovendo la costruzione di batch bilanciati per classe.
- Il metodo è disaccoppiato dal contesto convenzionale del metric-learning.
- Valutato su nove tessuti muscolari e adiposi da 210 scansioni TC SAROS.
- Confrontato con il campionamento casuale e ponderato.
- Addestramento eseguito in regimi di dati completi e ridotti.
- Gli approcci basati sulla perdita e sul campionamento non controllano esplicitamente la comparsa delle classi nei batch.
- Lo studio si concentra sulla segmentazione della composizione corporea.
Entità
—