Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation

要約

生物医学画像のセグメンテーションは、コンピューター支援診断において重要な役割を果たします。
ただし、既存の CNN ベースの方法は、非常に費用がかかり、膨大な人的資源を必要とする大規模な手動アノテーションに大きく依存しています。
この作業では、粗から細かい戦略を採用し、半教師あり生物医学画像セグメンテーションのための自己教師あり補正学習パラダイムを提案します。
具体的には、セグメンテーションと病変領域の修復のための共有エンコーダーと 2 つの独立したデコーダーをそれぞれ含むデュアルタスク ネットワークを設計します。
最初のフェーズでは、セグメンテーション ブランチのみを使用して、比較的大まかなセグメンテーション結果を取得します。
2 番目のステップでは、最初のセグメンテーション マップに基づいて元の画像で検出された病変領域をマスクし、元の画像と一緒にネットワークに再度送信して、修復とセグメンテーションを別々に同時に実行します。
ラベル付きデータの場合、このプロセスはセグメンテーション アノテーションによって監視され、ラベルなしデータの場合は、マスクされた病変領域の修復損失によってガイドされます。
2 つのタスクは同様の特徴情報に依存しているため、ラベル付けされていないデータは、病変領域に対するネットワークの表現を効果的に強化し、セグメンテーションのパフォーマンスをさらに向上させます。
さらに、ゲート機能融合 (GFF) モジュールは、2 つのタスクから補完的な機能を組み込むように設計されています。
ポリープ、皮膚病変、視神経乳頭セグメンテーションを含むさまざまなタスクの 3 つの医用画像セグメンテーション データセットの実験は、他の半教師付きアプローチと比較して、私たちの方法の優れたパフォーマンスをよく示しています。
コードは https://github.com/ReaFly/SemiMedSeg で入手できます。

要約(オリジナル)

Biomedical image segmentation plays a significant role in computer-aided diagnosis. However, existing CNN based methods rely heavily on massive manual annotations, which are very expensive and require huge human resources. In this work, we adopt a coarse-to-fine strategy and propose a self-supervised correction learning paradigm for semi-supervised biomedical image segmentation. Specifically, we design a dual-task network, including a shared encoder and two independent decoders for segmentation and lesion region inpainting, respectively. In the first phase, only the segmentation branch is used to obtain a relatively rough segmentation result. In the second step, we mask the detected lesion regions on the original image based on the initial segmentation map, and send it together with the original image into the network again to simultaneously perform inpainting and segmentation separately. For labeled data, this process is supervised by the segmentation annotations, and for unlabeled data, it is guided by the inpainting loss of masked lesion regions. Since the two tasks rely on similar feature information, the unlabeled data effectively enhances the representation of the network to the lesion regions and further improves the segmentation performance. Moreover, a gated feature fusion (GFF) module is designed to incorporate the complementary features from the two tasks. Experiments on three medical image segmentation datasets for different tasks including polyp, skin lesion and fundus optic disc segmentation well demonstrate the outstanding performance of our method compared with other semi-supervised approaches. The code is available at https://github.com/ReaFly/SemiMedSeg.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google