Exploring Smoothness and Class-Separation for Semi-supervised Medical Image Segmentation

要約

半教師ありセグメンテーションは、注釈付きの医療データの量が不足していることが多く、接着エッジの近くまたは低コントラスト領域に多くのぼやけたピクセルがあるため、医療画像では依然として困難です。
この問題に対処するために、まず、強い摂動がある場合とない場合のピクセルの一貫性を制約して、十分な滑らかさの制約を適用し、モデルトレーニングに低エントロピー正則化を利用するためにクラスレベルの分離をさらに促進することを提唱します。
特に、本論文では、ピクセルレベルの滑らかさとクラス間の分離を同時に探求することにより、半教師あり医療画像セグメンテーションタスクのためのSS-Netを提案します。
ピクセルレベルの滑らかさにより、モデルは敵対的な摂動の下で不変の結果を生成します。
一方、クラス間分離は、各クラス分布をコンパクトにして異なるクラスを分離するために、個々のクラス機能が対応する高品質のプロトタイプに近づくことを奨励します。
SS-Netを、公開されているLAおよびACDCデータセットの最近の5つの方法に対して評価しました。
2つの半教師あり設定での広範な実験結果は、提案されたSS-Netモデルの優位性を示しており、両方のデータセットで新しい最先端（SOTA）のパフォーマンスを実現しています。
コードはhttps://github.com/ycwu1997/SS-Netで入手できます。

要約(オリジナル)

Semi-supervised segmentation remains challenging in medical imaging since the amount of annotated medical data is often scarce and there are many blurred pixels near the adhesive edges or in the low-contrast regions. To address the issues, we advocate to firstly constrain the consistency of pixels with and without strong perturbations to apply a sufficient smoothness constraint and further encourage the class-level separation to exploit the low-entropy regularization for the model training. Particularly, in this paper, we propose the SS-Net for semi-supervised medical image segmentation tasks, via exploring the pixel-level smoothness and inter-class separation at the same time. The pixel-level smoothness forces the model to generate invariant results under adversarial perturbations. Meanwhile, the inter-class separation encourages individual class features should approach their corresponding high-quality prototypes, in order to make each class distribution compact and separate different classes. We evaluated our SS-Net against five recent methods on the public LA and ACDC datasets. Extensive experimental results under two semi-supervised settings demonstrate the superiority of our proposed SS-Net model, achieving new state-of-the-art (SOTA) performance on both datasets. The code is available at https://github.com/ycwu1997/SS-Net.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google