Analysing the effectiveness of a generative model for semi-supervised medical image segmentation

要約

画像セグメンテーションは医用画像診断において重要であり，診断，治療，介入における臨床的な意思決定に有用な定量情報を提供する．自動セグメンテーションの最新技術は、U-Netのような識別モデルを用いた教師あり学習である。しかし、これらのモデルを学習するには、大量のラベル付けされたデータを利用する必要があり、実際の医療アプリケーションでは入手が困難な場合が多い。このような状況において、半教師付き学習（SSL）は、豊富な非ラベルデータを活用し、より頑健で信頼性の高いモデルを得ようとするものである。近年、意味分割のための生成モデルが提案されており、SSLに適したモデルとして注目されている。入力画像と出力ラベルマップ上の結合分布を捉えるその能力は、非ラベル化画像からの情報を取り込むための自然な方法を提供する。本論文では、SemanticGANのような深層生成モデルが、困難な医療画像セグメンテーション問題に取り組むための、本当に実行可能な代替手段であるかどうかを分析する。そのために、一般に公開されている大規模な胸部X線データセットに適用した場合の、識別型および生成型のセグメンテーション手法のセグメンテーション性能、頑健性、潜在的なサブグループの不一致を徹底的に評価する。

要約(オリジナル)

Image segmentation is important in medical imaging, providing valuable, quantitative information for clinical decision-making in diagnosis, therapy, and intervention. The state-of-the-art in automated segmentation remains supervised learning, employing discriminative models such as U-Net. However, training these models requires access to large amounts of manually labelled data which is often difficult to obtain in real medical applications. In such settings, semi-supervised learning (SSL) attempts to leverage the abundance of unlabelled data to obtain more robust and reliable models. Recently, generative models have been proposed for semantic segmentation, as they make an attractive choice for SSL. Their ability to capture the joint distribution over input images and output label maps provides a natural way to incorporate information from unlabelled images. This paper analyses whether deep generative models such as the SemanticGAN are truly viable alternatives to tackle challenging medical image segmentation problems. To that end, we thoroughly evaluate the segmentation performance, robustness, and potential subgroup disparities of discriminative and generative segmentation methods when applied to large-scale, publicly available chest X-ray datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL