Démêler l'échantillonnage du budget d'entraînement dans la segmentation de la composition corporelle par TDM avec déséquilibre de classes

Résumé

Le déséquilibre de classe est un défi fondamental dans la segmentation d'images médicales, où les classes fréquentes dominent généralement l'entraînement au détriment des classes rares. Les approches basées sur la fonction de perte atténuent ce déséquilibre en repondérant la perte par pixel au sein du lot, tandis que les stratégies d'échantillonnage contrôlent quelles images entrent dans le lot. Cependant, aucune ne contrôle explicitement quelles classes apparaissent dans le lot, ne laissant qu'un rééquilibrage partiel de l'exposition des classes rares. Dans ce travail, nous adoptons l'échantillonnage épisodique issu de l'apprentissage en quelques exemples (few-shot learning) pour favoriser une construction équilibrée des lots dans un cadre entièrement supervisé. Nous dissocions l'échantillonnage épisodique de son contexte conventionnel d'apprentissage métrique et l'évaluons dans la segmentation de la composition corporelle en tomodensitométrie (CT). Nous comparons l'échantillonnage épisodique à l'échantillonnage aléatoire et pondéré sur neuf tissus musculaires et adipeux, issus de 210 scans du jeu de données public SAROS. L'entraînement est réalisé en régimes de données complètes et de données réduites, avec des comparaisons supplémentaires sous des budgets d'itérations d'entraînement appariés. En entraînement avec données complètes, les trois stratégies ont donné des résultats comparables (Dice moyen de 0,882 pour l'échantillonnage épisodique, 0,878 pour l'aléatoire et le pondéré). En entraînement avec données réduites, l'échantillonnage épisodique a surpassé l'aléatoire et le pondéré (0,787 contre 0,758 et 0,762), porté par une différence d'un facteur 12 dans le nombre d'itérations d'entraînement. Sous des budgets d'entraînement appariés, l'échantillonnage aléatoire et pondéré ont montré un surapprentissage plus précoce, tandis que l'échantillonnage épisodique a continué à s'améliorer pendant environ trois fois plus d'itérations avant d'atteindre un plateau. Nos résultats identifient le budget d'itérations d'entraînement comme un facteur de confusion sous-estimé dans les stratégies d'échantillonnage, ce qui motive des protocoles d'évaluation tenant compte des itérations pour les petits ensembles de données. De plus, l'avantage résiduel de l'échantillonnage épisodique est cohérent avec un effet de régularisation implicite des lots équilibrés en classes, offrant une stratégie peu coûteuse et indépendante du modèle pour la segmentation d'images médicales avec déséquilibre de classes. Le code est disponible à l'adresse 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.