클래스 불균형 CT 체성분 분할에서 샘플링과 훈련 예산의 분리

초록

클래스 불균형은 의료 영상 분할에서 근본적인 도전 과제로, 빈발 클래스는 일반적으로 희귀 클래스를 희생시키며 학습을 지배한다. 손실 기반 접근법은 배치 내 픽셀 단위 손실에 가중치를 재부여하여 불균형을 완화하는 반면, 샘플링 전략은 어떤 영상이 배치에 포함될지를 제어한다. 그러나 두 방법 모두 배치 내에 어떤 클래스가 나타날지를 명시적으로 제어하지 않으며, 이로 인해 희귀 클래스 노출이 부분적으로만 재조정된다. 본 연구에서는 퓨샷 학습의 에피소드 샘플링을 채택하여 완전 지도 학습 환경에서 클래스 균형 배치 구성을 촉진한다. 우리는 에피소드 샘플링을 기존의 메트릭 학습 맥락에서 분리하여, CT에서의 체성분 분할에 대해 평가한다. 공개 SAROS 데이터셋의 210개 스캔에서 추출된 9개의 근육 및 지방 조직에 대해 무작위 샘플링 및 가중 샘플링과 비교한다. 훈련은 전체 데이터 및 소량 데이터 조건에서 수행되며, 동일한 훈련 반복 예산 하에서의 추가 비교도 포함한다. 전체 데이터 훈련에서는 세 가지 전략 모두 유사한 성능을 보였다(에피소드 평균 다이스 0.882, 무작위 및 가중 각각 0.878). 소량 데이터 훈련에서는 에피소드 샘플링이 무작위 및 가중 샘플링을 능가했다(0.787 대 0.758 및 0.762). 이는 훈련 반복 횟수의 12배 차이에 기인한다. 동일한 훈련 예산 하에서는 무작위 및 가중 샘플링이 더 일찍 과적합된 반면, 에피소드 샘플링은 수렴 전까지 약 3배 더 많은 반복 동안 개선되었다. 본 연구 결과는 훈련 반복 예산이 샘플링 전략에서 과소 인식된 교란 요인임을 밝히며, 소규모 데이터셋에 대한 반복 인식 평가 프로토콜의 필요성을 제기한다. 나아가 에피소드 샘플링의 잔여 이점은 클래스 균형 배치의 암묵적 정규화 효과와 일관되며, 클래스 불균형 의료 영상 분할을 위한 저비용·모델 무관 전략을 제공한다. 코드는 https://github.com/iasonsky/episodic-sampling 에서 확인할 수 있다.

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.