ACT: Semi-supervised Domain-adaptive Medical Image Segmentation with Asymmetric Co-training

要約

教師なしドメイン適合法（UDA）は、ラベル付けされたソースドメインの監視を通して、ラベル付けされていないターゲットドメインによくできたモデルを適用し、ソースドメインとターゲットドメインの間のドメインシフトを緩和するために広く研究されている。しかし、最近の文献によると、有意なドメインシフトが存在する場合、その性能はまだ満足のいくものではないとのことである。しかし、数個の対象サンプルを定義することは、通常、管理可能であり、大幅な性能向上のため、特に価値がある。このような背景から，我々は医療画像セグメンテーションのための半教師付き領域適応(SSDA)を開発することを目的としている．本論文では、ラベル付けされた元領域と対象領域のデータ、およびラベル付けされていない対象領域のデータを統一的に利用することを提案する。具体的には、これらのサブセットを統合し、ソース領域データの支配を避けるための新しい非対称共訓練(ACT)フレームワークを提示する。分割統治戦略に従い、我々はSSDAにおけるラベル監視を半教師付き学習（SSL）とUDAを含む2つの非対称サブタスクに明示的に分離し、ソースとターゲットのラベル監視の区別を考慮し、2つのセグメンターから異なる知識を活用する。そして、2つのモジュールで学習された知識は、信頼度を考慮した擬似ラベルに基づいて、互いに反復的に教え合うことで、ACTと適応的に統合される。さらに、擬似ラベルのノイズは指数関数的なMixUp decayスキームによってうまく制御され、スムーズな伝搬を実現している。BraTS18データベースを用いたクロスモダリティの脳腫瘍MRIセグメンテーションタスクの実験では、限られたラベル付きターゲットサンプルでも、ACTはUDAや最新のSSDA手法よりも顕著な改善をもたらし、教師あり結合学習の「上限」に近づくことが示された。

要約(オリジナル)

Unsupervised domain adaptation (UDA) has been vastly explored to alleviate domain shifts between source and target domains, by applying a well-performed model in an unlabeled target domain via supervision of a labeled source domain. Recent literature, however, has indicated that the performance is still far from satisfactory in the presence of significant domain shifts. Nonetheless, delineating a few target samples is usually manageable and particularly worthwhile, due to the substantial performance gain. Inspired by this, we aim to develop semi-supervised domain adaptation (SSDA) for medical image segmentation, which is largely underexplored. We, thus, propose to exploit both labeled source and target domain data, in addition to unlabeled target data in a unified manner. Specifically, we present a novel asymmetric co-training (ACT) framework to integrate these subsets and avoid the domination of the source domain data. Following a divide-and-conquer strategy, we explicitly decouple the label supervisions in SSDA into two asymmetric sub-tasks, including semi-supervised learning (SSL) and UDA, and leverage different knowledge from two segmentors to take into account the distinction between the source and target label supervisions. The knowledge learned in the two modules is then adaptively integrated with ACT, by iteratively teaching each other, based on the confidence-aware pseudo-label. In addition, pseudo label noise is well-controlled with an exponential MixUp decay scheme for smooth propagation. Experiments on cross-modality brain tumor MRI segmentation tasks using the BraTS18 database showed, even with limited labeled target samples, ACT yielded marked improvements over UDA and state-of-the-art SSDA methods and approached an ‘upper bound’ of supervised joint training.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL