クラス不均衡なCT体組成セグメンテーションにおけるサンプリングとトレーニング予算の切り離し

要旨

クラス不均衡は医用画像セグメンテーションにおける根本的な課題であり、頻出クラスが訓練を支配し、希少クラスが犠牲になる傾向がある。損失ベースの手法では、バッチ内のピクセル単位の損失を再重み付けすることで不均衡を緩和する一方、サンプリング戦略はどの画像がバッチに入るかを制御する。しかし、いずれもバッチ内にどのクラスが現れるかを明示的に制御しないため、希少クラスの露出は部分的にしか再均衡化されない。本研究では、完全教師あり設定においてクラス均衡なバッチ構築を促進するために、数ショット学習からのエピソディックサンプリングを採用する。エピソディックサンプリングを従来のメトリック学習の文脈から切り離し、CTにおける体組成セグメンテーションで評価する。エピソディックサンプリングをランダムサンプリングおよび重み付きサンプリングと比較し、公開SAROSデータセットの210スキャンから得られた9種類の筋肉および脂肪組織を対象とする。訓練は完全データ条件下と低データ条件下で実施し、さらに訓練イテレーション予算を一致させた比較も行う。完全データ訓練では、3つの戦略は同程度の性能を示した（エピソディックで平均Dice 0.882、ランダムおよび重み付きで0.878）。低データ訓練では、エピソディックサンプリングがランダムおよび重み付きを上回り（0.787対0.758および0.762）、その差は訓練イテレーションの12倍の違いに起因する。訓練予算を一致させた条件下では、ランダムと重み付きは早期に過学習する一方、エピソディックは約3倍のイテレーションにわたって改善を続けてから頭打ちとなった。これらの知見は、訓練イテレーション予算がサンプリング戦略における認識不足の交絡因子であることを明らかにし、小規模データセットに対するイテレーションを考慮した評価プロトコルの必要性を示唆する。さらに、エピソディックサンプリングの残差の利点は、クラス均衡バッチによる暗黙の正則化効果と一致しており、クラス不均衡な医用画像セグメンテーションに対する低コストでモデル非依存の戦略を提供する。コードはhttps://github.com/iasonsky/episodic-samplingで入手可能である。

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.