Deep learning models have become the method of choice for the automatic detection and segmentation of structures in medical images. Supervised learning methods require training datasets with radiologists' annotations. Supervised learning methods yield excellent results but rely on large annotated datasets to train them, which is expensive and time-consuming, as it requires expert annotators. A variety of methods, including few-shot learning, semi-supervised learning and active learning have been proposed. However, none of them yields satisfactory results, especially for small structures such as lesions and tumors.
In this talk, we present an annotation workflow whose aim is to accelerate the creation of expert-validated annotations while optimizing the annotation and correction time. Specifically, we present two new label-efficient methods. The first is a few-shot learning optimized for small lesions in CT and MRI scans. The second is a semi-supervised method combines the precision of expert annotations with the quantity advantages of pseudo-labeled data. It uses an ensemble of 3D nnU-Net models trained on a few expert-annotated scans to generate pseudo-labels on a large dataset of unannotated scans. We demonstrate both methods on clinically relevant tasks.

ディープラーニングモデルは、医用画像における構造物の自動検出およびセグメンテーション（領域抽出）のための主要な手法となっている。教師あり学習法では、放射線科医によるアノテーション（正解ラベル）が付与された学習データセットが必要である。教師あり学習法は優れた性能を示す一方で、その学習には大量のアノテーション付きデータが必要であり、専門家による作業を要するため、多大な時間とコストがかかる。
この課題に対処するため、少数ショット学習（Few-shot Learning）、半教師あり学習（Semi-supervised Learning）、アクティブラーニング（Active Learning）など、さまざまな手法が提案されてきた。しかし、特に病変や腫瘍のような小さな構造物を対象とする場合には、いずれも十分に満足できる結果を得るには至っていない。
本講演では、専門家による検証済みアノテーションの作成を加速するとともに、アノテーション作業および修正作業に要する時間を最適化することを目的としたアノテーションワークフローを紹介する。具体的には、ラベル付けの負担を軽減する2つの新しい手法を提案する。
第一の手法は、CTおよびMRI画像中の小病変を対象として最適化された少数ショット学習法である。第二の手法は、専門家によるアノテーションの高い精度と、疑似ラベル付きデータの大量利用という利点を組み合わせた半教師あり学習法である。この手法では、少数の専門家アノテーション付き画像を用いて学習した複数の3次元nnU-Netモデルのアンサンブルを用い、大量の未アノテーション画像に対して疑似ラベルを生成する。
本講演では、これら2つの手法を臨床的に重要な課題に適用し、その有効性を示す。