PyMIC: A deep learning toolkit for annotation-efficient medical image segmentation

要約

背景と目的: 医療画像セグメンテーション用の既存のディープ ラーニング プラットフォームは、主に、完全で正確なピクセル レベルの注釈が利用可能であることを前提とした、完全に監視されたセグメンテーションに焦点を当てています。
私たちは、医用画像セグメンテーションのためのアノテーション効率の高い学習をサポートする新しいディープラーニング ツールキットを開発することを目指しています。これにより、限られたアノテーション バジェットでディープ ラーニング モデルの開発を加速し、簡単に行うことができます。
方法: PyMIC という名前の提案されたツールキットは、医療画像セグメンテーション タスク用のモジュラー ディープ ラーニング プラットフォームです。
完全に監視されたセグメンテーションのための高性能モデルの開発をサポートする基本的なコンポーネントに加えて、注釈付きおよび未発表の画像の読み込み、注釈なし、部分的または不正確な注釈付きの画像の損失関数など、不完全な注釈から学習するように調整されたいくつかの高度なコンポーネントが含まれています
、および複数のネットワーク間での共同学習のためのトレーニング手順など。PyMIC は PyTorch フレームワーク上に構築されており、医療画像セグメンテーションのための半教師あり、弱教師あり、およびノイズに強い学習方法の開発をサポートします。
結果: PyMIC に基づく 4 つの例示的な医用画像セグメンテーション タスクを提示します。(1) 完全教師あり学習で競争力のあるパフォーマンスを達成する。
(2) トレーニング画像の 10% のみに注釈が付けられた半教師付き心臓構造セグメンテーション。
(3)落書き注釈を使用した弱い教師付きセグメンテーション。
(4) 胸部 X 線写真のセグメンテーションのためのノイズの多いラベルからの学習。
結論: PyMIC ツールキットは使いやすく、注釈が不完全な医療画像セグメンテーション モデルの効率的な開発を容易にします。
モジュール式で柔軟なため、研究者はアノテーション コストを抑えて高性能モデルを開発できます。
ソース コードは https://github.com/HiLab-git/PyMIC で入手できます。

要約(オリジナル)

Background and Objective: Existing deep learning platforms for medical image segmentation mainly focus on fully supervised segmentation that assumes full and accurate pixel-level annotations are available. We aim to develop a new deep learning toolkit to support annotation-efficient learning for medical image segmentation, which can accelerate and simply the development of deep learning models with limited annotation budget, e.g., learning from partial, sparse or noisy annotations. Methods: Our proposed toolkit named PyMIC is a modular deep learning platform for medical image segmentation tasks. In addition to basic components that support development of high-performance models for fully supervised segmentation, it contains several advanced components that are tailored for learning from imperfect annotations, such as loading annotated and unannounced images, loss functions for unannotated, partially or inaccurately annotated images, and training procedures for co-learning between multiple networks, etc. PyMIC is built on the PyTorch framework and supports development of semi-supervised, weakly supervised and noise-robust learning methods for medical image segmentation. Results: We present four illustrative medical image segmentation tasks based on PyMIC: (1) Achieving competitive performance on fully supervised learning; (2) Semi-supervised cardiac structure segmentation with only 10% training images annotated; (3) Weakly supervised segmentation using scribble annotations; and (4) Learning from noisy labels for chest radiograph segmentation. Conclusions: The PyMIC toolkit is easy to use and facilitates efficient development of medical image segmentation models with imperfect annotations. It is modular and flexible, which enables researchers to develop high-performance models with low annotation cost. The source code is available at: https://github.com/HiLab-git/PyMIC.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google