Inherent Consistent Learning for Accurate Semi-supervised Medical Image Segmentation

要約

半教師付き医用画像セグメンテーションは、医用画像注釈のコストが高いため、近年多くの注目を集めています。
この論文では、セグメンテーションを支援するラベル付きデータとラベルなしデータのセマンティック一貫性ガイダンスを通じてロバストなセマンティック カテゴリ表現を学習することを目的とした、新しい Inherent Consistent Learning (ICL) メソッドを提案します。
実際には、教師ありセマンティック プロキシ アダプター (SSPA) と教師なしセマンティック コンシステント ラーナー (USCL) という 2 つの外部モジュールを導入します。これらは注意メカニズムに基づいて、ラベル付きデータとラベルなしデータのセマンティック カテゴリ表現を調整し、グローバル セマンティック表現を更新します。
トレーニング セット全体にわたって。
提案された ICL は、さまざまなネットワーク アーキテクチャ向けのプラグ アンド プレイ スキームであり、2 つのモジュールはテスト段階には関与しません。
3 つの公開ベンチマークでの実験結果は、特に注釈付きデータの数が非常に限られている場合に、提案された方法が最先端の方法よりも優れていることを示しています。
コードは https://github.com/zhuye98/ICL.git で入手できます。

要約(オリジナル)

Semi-supervised medical image segmentation has attracted much attention in recent years because of the high cost of medical image annotations. In this paper, we propose a novel Inherent Consistent Learning (ICL) method, which aims to learn robust semantic category representations through the semantic consistency guidance of labeled and unlabeled data to help segmentation. In practice, we introduce two external modules namely Supervised Semantic Proxy Adaptor (SSPA) and Unsupervised Semantic Consistent Learner (USCL) that based on the attention mechanism to align the semantic category representations of labeled and unlabeled data, as well as update the global semantic representations over the entire training set. The proposed ICL is a plug-and-play scheme for various network architectures and the two modules are not involved in the testing stage. Experimental results on three public benchmarks show that the proposed method can outperform the state-of-the-art especially when the number of annotated data is extremely limited. Code is available at: https://github.com/zhuye98/ICL.git.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google