Medical imaging benchmark for few-shot image classification

June 30, 2023

De momento, ao contrário dos humanos, os computadores não conseguem aprender a generalizar rapidamente a partir de poucos exemplos. Esta diferença entre humanos e computadores, juntamente com a existência de várias tarefas em que há muito poucos exemplos disponíveis, levaram à crescente procura de como aprender através de poucos exemplos. Este trabalho baseia-se na área de classificação de imagens médicas, usando apenas um pequeno conjunto de imagens de treino. Esta tese propõe o Few-shot Medical Imaging Classification Benchmark (fsMIB) como padrão de avaliação para a área de aprendizagem com poucas imagens. Composto por vários conjuntos de dados públicos de imagens médicas, este padrão de avaliação permitirá a avaliação futura do progresso da classificação baseada em poucas instâncias, com vista à descoberta de novos modelos aplicáveis a um contexto médico, tornando possível o futuro desenho de sistemas de diagnóstico de imagens médicas confiáveis. Os resultados obtidos nas experiências realizadas mostram-se, em geral, consistentes com os obtidos no Meta-Dataset, o padrão de avaliação utilizado atualmente. O treino dos modelos nos conjuntos de dados do Meta-Dataset permitiu uma melhor generalização, na avaliação de alguns dos conjuntos de dados médicos do fsMIB, do que o treino dos modelos nos restantes conjuntos de dados médicos do fsMIB. Finalmente, concluiu-se que a abordagem atual para avaliar os modelos de aprendizagem com poucas imagens pode não ser adequada para avaliar com precisão a eficácia desses modelos na classificação de imagens médicas. Nowadays machines are not able to learn and generalize quickly from few examples like humans can. This difference between humans and machines and the existence of several tasks where there are hardly any available examples lead to the increasing research popularity on how to learn from few examples. This work focuses on the few-shot medical imaging classification area that has the intent to classify new medical images with just a few training images. This thesis proposes the Few-shot Medical Imaging Classification Benchmark (fsMIB), a few-shot learning benchmark composed of several public medical imaging datasets that can drive the future evaluation of the state-of-the-art progress in few-shot image classification models towards the goal of discovering models that allow a better classification with few samples in the medical context, making possible the future design of reliable medical imaging diagnostic systems. The results obtained by evaluating few-shot metric learning models on the proposed benchmark are, in general, consistent with those obtained in the Meta-Dataset, the currently used benchmark. Training the models in the Meta-Dataset datasets achieved better results than training the models in some of the medical datasets of the fsMIB, when evaluating the results on the other available medical datasets. Finally, it is concluded that the current approach to evaluate Few-shot Learning (FSL) models may not be suitable to accurately assess the effectiveness of these models in medical imaging classification.

Authors in the community:

• 

  L

  Lourenço Banza Tourais

  ist190126

Supervisors of this institution:

• 

  A

  Arlindo Manuel Limede de Oliveira

  ist12282

Mestrado em Engenharia Eletrotécnica e de Computadores

electrical-engineering-electronic-engineering-information-engineering - Electrical engineering, electronic engineering, information engineering

Keywords

• Aprendizagem com poucas imagens
• Classificação de Imagens Médicas
• Benchmark
• Aprendizagem profunda
• Few-shot Learning
• Medical Image Classification
• Few-shot Benchmark
• Deep Learning

eng - English

Instituto Superior Técnico