ACTION++: Improving Semi-supervised Medical Image Segmentation with Adaptive Anatomical Contrast

要約

タイトル：ACTION++：適応的解剖学的対照度による半教師付き医療画像セグメンテーションの改善
要約：

– 長い尾の分布と重いクラスの不均衡を示す医療データは、少数のクラス（すなわち、境界領域または稀少なオブジェクト）の分類が困難であるため、半教師付き医療画像セグメンテーションを重要にします。
– 過去の研究では、非教師付き対照基準を備えて長い尾のシナリオで半教師付き医療画像セグメンテーションを劇的に改善することができましたが、クラスの分布が非常に不均衡であるラベル付き部分でどのように機能するかは明確ではありませんでした。
– この研究では、適応的解剖学的対照度を備えた改良された対照学習フレームワークであるACTION++を提案しています。具体的には、埋め込み空間に均等に分散されたクラス中心の最適な場所を最初に計算して（オフラインで）、それらの明確で均等に分布したクラス中心に適応的に一致する異なるクラス特徴を奨励するオンライン対照マッチングトレーニングを実行する適応的教師付き対照損失を提案します。
– さらに、長い尾の医療データで定数の温度τを盲目的に採用することは最適ではなく、多数派と少数派のクラスの分離を改善するために簡単なコサインスケジュールを使用して動的τを提案します。
– 実験的に、ACDCとLAベンチマークでACTION++を評価し、2つの半教師付き設定で最先端を達成することを示しました。理論的には、適応的解剖学的対照度の性能を分析し、そのラベルの効率性の優位性を確認しました。

要約(オリジナル)

Medical data often exhibits long-tail distributions with heavy class imbalance, which naturally leads to difficulty in classifying the minority classes (i.e., boundary regions or rare objects). Recent work has significantly improved semi-supervised medical image segmentation in long-tailed scenarios by equipping them with unsupervised contrastive criteria. However, it remains unclear how well they will perform in the labeled portion of data where class distribution is also highly imbalanced. In this work, we present ACTION++, an improved contrastive learning framework with adaptive anatomical contrast for semi-supervised medical segmentation. Specifically, we propose an adaptive supervised contrastive loss, where we first compute the optimal locations of class centers uniformly distributed on the embedding space (i.e., off-line), and then perform online contrastive matching training by encouraging different class features to adaptively match these distinct and uniformly distributed class centers. Moreover, we argue that blindly adopting a constant temperature $\tau$ in the contrastive loss on long-tailed medical data is not optimal, and propose to use a dynamic $\tau$ via a simple cosine schedule to yield better separation between majority and minority classes. Empirically, we evaluate ACTION++ on ACDC and LA benchmarks and show that it achieves state-of-the-art across two semi-supervised settings. Theoretically, we analyze the performance of adaptive anatomical contrast and confirm its superiority in label efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI