의료 영상 분할 모델이 소량의 라벨링된 예시만으로 새로운 작업에 적응할 수 있도록 하는 퓨샷 학습의 성능은 지원 세트에 선택된 예시의 중요성에 크게 좌우됩니다. 본 연구에서는 퓨샷 의료 영상 분할에서 지원 세트 선택을 위해 강화 학습 프레임워크를 제안합니다. 실험 결과, 기존 방법보다 성능이 향상되었으며, 지원 세트의 상호 보완성이 효과적인 적응에 중요하다는 점을 확인했습니다.
현재 상태 집합의 샘플 간 상호 작용을 명시적으로 고려하지 않는 기존의 적극적 데이터 선택 접근 방식과 달리, 본 연구에서는 에이전트가 다운스트림 분할 성능을 극대화하는 지원 세트를 직접 예측합니다. 퓨샷 학습의 지원 세트 선택을 최적화하는 데 강화 학습이 잠재력을 가지고 있음을 보여줍니다.
연구진은 기관 간의 골반 MRI 데이터 세트에서 실험을 진행하여 무작위 선택 및 최첨단 방법보다 성능이 향상되었음을 입증했습니다.