Semi-Supervised Domain Generalization for Cardiac Magnetic Resonance Image Segmentation with High Quality Pseudo Labels

要約

医療セグメンテーション タスクのディープ ラーニング手法の開発は、大量のラベル付きデータに大きく依存しています。
ただし、注釈には専門的な知識が必要であり、数も限られています。
最近、半教師あり学習は、医療セグメンテーション タスクで大きな可能性を示しています。
心臓磁気共鳴画像に関連するほとんどの既存の方法は、同様のドメインと高画質の通常の画像にのみ焦点を当てています。
[2] では、さまざまなデータセットの疑似ラベルの品質を向上させる半教師付きドメイン一般化手法が開発されました。
この論文では、[2] の戦略に従い、半教師付き医療セグメンテーションのドメイン一般化手法を提示します。
私たちの主な目標は、さまざまなドメインでの極端な MRI 分析下での疑似ラベルの品質を向上させることです。
入力画像に対してフーリエ変換を実行して、低レベルの統計とクロスドメイン情報を学習します。
次に、拡張された画像を二重交差擬似監視ネットワークへの入力としてフィードし、擬似ラベル間の分散を計算します。
CMRxMotion データセット [1] でメソッドを評価します。
部分的にラベル付けされたデータのみを使用し、ドメイン ラベルを使用せずに、私たちのアプローチは、さまざまな呼吸運動を伴う心臓磁気共鳴画像の正確なセグメンテーション結果を一貫して生成します。
コードは会議後に利用可能になります。

要約(オリジナル)

Developing a deep learning method for medical segmentation tasks heavily relies on a large amount of labeled data. However, the annotations require professional knowledge and are limited in number. Recently, semi-supervised learning has demonstrated great potential in medical segmentation tasks. Most existing methods related to cardiac magnetic resonance images only focus on regular images with similar domains and high image quality. A semi-supervised domain generalization method was developed in [2], which enhances the quality of pseudo labels on varied datasets. In this paper, we follow the strategy in [2] and present a domain generalization method for semi-supervised medical segmentation. Our main goal is to improve the quality of pseudo labels under extreme MRI Analysis with various domains. We perform Fourier transformation on input images to learn low-level statistics and cross-domain information. Then we feed the augmented images as input to the double cross pseudo supervision networks to calculate the variance among pseudo labels. We evaluate our method on the CMRxMotion dataset [1]. With only partially labeled data and without domain labels, our approach consistently generates accurate segmentation results of cardiac magnetic resonance images with different respiratory motions. Code will be available after the conference.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google