Entkopplung von Sampling und Trainingsbudget in der klassenungleichgewichtigen CT-Körperzusammensetzungssegmentierung

Zusammenfassung

Klassenungleichgewicht stellt eine grundlegende Herausforderung in der medizinischen Bildsegmentierung dar, da häufige Klassen typischerweise das Training dominieren, während seltene Klassen benachteiligt werden. Ansätze auf Basis von Verlustfunktionen mildern das Ungleichgewicht durch eine Neugewichtung des pixelweisen Verlusts innerhalb eines Batches, während Abtaststrategien steuern, welche Bilder in den Batch gelangen. Dennoch kontrolliert keiner dieser Ansätze explizit, welche Klassen innerhalb eines Batches vertreten sind, sodass die Präsenz seltener Klassen nur teilweise ausgeglichen wird. In dieser Arbeit übertragen wir das episodische Sampling aus dem Few-Shot-Lernen, um eine klassenbalancierte Batch-Konstruktion in einem vollständig überwachten Setting zu fördern. Wir lösen das episodische Sampling von seinem herkömmlichen kontextuellen metrischen Lernen und evaluieren es in der Segmentierung der Körperzusammensetzung in der Computertomographie. Wir vergleichen episodisches Sampling mit zufälligem und gewichtetem Sampling anhand von neun Muskel- und Fettgeweben, die aus 210 Scans des öffentlichen SAROS-Datensatzes gewonnen wurden. Das Training erfolgt unter Voll- und Wenigdatenbedingungen, mit zusätzlichen Vergleichen unter angepassten Trainingsiterationsbudgets. Unter Volldatentraining zeigten alle drei Strategien vergleichbare Ergebnisse (mittlerer Dice 0,882 für episodisches, 0,878 für zufälliges und gewichtetes Sampling). Unter Wenigdatenbedingungen übertraf das episodische Sampling das zufällige und gewichtete (0,787 vs. 0,758 und 0,762), angetrieben durch einen 12-fachen Unterschied in den Trainingsiterationen. Bei angepassten Budgets überanpassten sich zufälliges und gewichtetes Sampling früher, während das episodische etwa dreimal mehr Iterationen verbesserte, bevor es ein Plateau erreichte. Unsere Ergebnisse identifizieren das Trainingsiterationsbudget als bislang wenig beachteten Störfaktor in Abtaststrategien, was iteratonsbewusste Evaluierungsprotokolle für kleine Datensätze nahelegt. Darüber hinaus ist der verbleibende Vorteil des episodischen Samplings konsistent mit einem impliziten Regularisierungseffekt klassenbalancierter Batches, was eine kostengünstige, modellagnostische Strategie für klassenungleichgewichtete medizinische Bildsegmentierung bietet. Der Code ist verfügbar unter https://github.com/iasonsky/episodic-sampling.

English

Class imbalance is a fundamental challenge in medical image segmentation, where frequent classes typically dominate training at the expense of rare classes. Loss-based approaches mitigate imbalance by reweighting the per-pixel loss within the batch, while sampling strategies control which images enter the batch. Yet neither explicitly controls which classes appear within the batch, leaving rare-class exposure only partially rebalanced. In this work, we adopt episodic sampling from few-shot learning to promote class-balanced batch construction in a fully supervised setting. We decouple episodic sampling from its conventional metric-learning context and evaluate it in body composition segmentation in CT. We compare episodic sampling against random and weighted sampling on nine muscle and adipose tissues, derived from 210 scans of the public SAROS dataset. Training is performed under full- and low-data regimes, with additional comparisons under matched training iteration budgets. Under full-data training, all three strategies performed comparably (mean Dice 0.882 for episodic, 0.878 for random and weighted). Under low-data training, episodic sampling outperformed random and weighted (0.787 vs. 0.758 and 0.762), driven by a 12-fold difference in training iterations. Under matched training budgets, random and weighted overfit earlier, while episodic improved for approximately three times more iterations before plateauing. Our findings identify the training iteration budget as under-recognized confound in sampling strategies, motivating iteration-aware evaluation protocols for small datasets. Furthermore, the residual advantage of episodic sampling is consistent with an implicit regularization effect of class-balanced batches, offering a low-cost, model-agnostic strategy for class-imbalanced medical image segmentation. Code is available at https://github.com/iasonsky/episodic-sampling.