Het loskoppelen van sampling van trainingsbudget bij klassenonevenwichtige CT-segmentatie van lichaamssamenstelling

Samenvatting

Klasse-onevenwicht is een fundamentele uitdaging in medische beeldsegmentatie, waarbij frequente klassen doorgaans de training domineren ten koste van zeldzame klassen. Op verlies gebaseerde benaderingen verminderen het onevenwicht door het per-pixel verlies binnen de batch te herwegen, terwijl bemonsteringsstrategieën bepalen welke afbeeldingen de batch binnenkomen. Geen van beide controleert echter expliciet welke klassen in de batch verschijnen, waardoor de blootstelling aan zeldzame klassen slechts gedeeltelijk opnieuw in balans wordt gebracht. In dit werk passen we episodische bemonstering uit few-shot leren toe om klasse-gebalanceerde batchconstructie te bevorderen in een volledig gesuperviseerde setting. We ontkoppelen episodische bemonstering van zijn conventionele metrisch-leercontext en evalueren het in segmentatie van lichaamssamenstelling in CT. We vergelijken episodische bemonstering met willekeurige en gewogen bemonstering op negen spier- en vetweefsels, afkomstig uit 210 scans van de openbare SAROS-dataset. Training wordt uitgevoerd onder volledige en lage data-regimes, met extra vergelijkingen onder gepaarde trainingsiteratiebudgetten. Bij training met volledige data presteerden alle drie strategieën vergelijkbaar (gemiddelde Dice 0,882 voor episodisch, 0,878 voor willekeurig en gewogen). Bij training met lage data presteerde episodische bemonstering beter dan willekeurig en gewogen (0,787 versus 0,758 en 0,762), gedreven door een 12-voudig verschil in trainingsiteraties. Onder gepaarde trainingsbudgetten overfitten willekeurig en gewogen eerder, terwijl episodisch ongeveer drie keer meer iteraties verbeterde voordat het plateauvorming vertoonde. Onze bevindingen identificeren het trainingsiteratiebudget als een onderkende verstorende factor in bemonsteringsstrategieën, wat aanleiding geeft tot iteratiebewuste evaluatieprotocollen voor kleine datasets. Bovendien komt het resterende voordeel van episodische bemonstering overeen met een impliciet regularisatie-effect van klasse-gebalanceerde batches, wat een goedkope, model-agnostische strategie biedt voor klasse-onevenwichtige medische beeldsegmentatie. Code is beschikbaar op 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.