Triple-View Feature Learning for Medical Image Segmentation

要約

ディープ ラーニング モデル。
教師付きエンコーダー デコーダー スタイルのネットワークは、医療用画像のセグメンテーションで有望なパフォーマンスを発揮しますが、ラベリング コストが高くなります。
半教師付きセマンティック セグメンテーション フレームワークである TriSegNet を提案します。
限られた量のラベル付きデータと大量のラベルなしデータでトリプル ビュー機能学習を使用します。
トリプル ビュー アーキテクチャは、3 つのピクセル レベルの分類器と低レベルの共有重み付け学習モジュールで構成されます。
モデルは最初にラベル付きデータで初期化されます。
データの摂動、信頼できるラベルの投票、注釈用の信頼できないラベルの検出などのラベル処理により、モデルはラベル付きデータとラベルなしデータを同時にトレーニングできます。
各モデルの信頼度は、特徴学習の他の 2 つのビューを通じて改善されます。
このプロセスは、各モデルが対応するモデルと同じ信頼レベルに達するまで繰り返されます。
この戦略により、一般的な医用画像データセットのトリプル ビュー学習が可能になります。
特注の重複ベースおよび境界ベースの損失関数は、トレーニングのさまざまな段階に合わせて調整されています。
セグメンテーションの結果は、超音波、CT、MRI、および組織学の画像を含む、公開されている 4 つのベンチマーク データセットで評価されます。
繰り返される実験は、評価尺度の大規模なセット全体で、他の半教師付きアルゴリズムと比較して、提案されたネットワークの有効性を示しています。

要約(オリジナル)

Deep learning models, e.g. supervised Encoder-Decoder style networks, exhibit promising performance in medical image segmentation, but come with a high labelling cost. We propose TriSegNet, a semi-supervised semantic segmentation framework. It uses triple-view feature learning on a limited amount of labelled data and a large amount of unlabeled data. The triple-view architecture consists of three pixel-level classifiers and a low-level shared-weight learning module. The model is first initialized with labelled data. Label processing, including data perturbation, confidence label voting and unconfident label detection for annotation, enables the model to train on labelled and unlabeled data simultaneously. The confidence of each model gets improved through the other two views of the feature learning. This process is repeated until each model reaches the same confidence level as its counterparts. This strategy enables triple-view learning of generic medical image datasets. Bespoke overlap-based and boundary-based loss functions are tailored to the different stages of the training. The segmentation results are evaluated on four publicly available benchmark datasets including Ultrasound, CT, MRI, and Histology images. Repeated experiments demonstrate the effectiveness of the proposed network compared against other semi-supervised algorithms, across a large set of evaluation measures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google