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

要約

【タイトル】ACTION++: Adaptie Anatomical Contrastによる半教師あり医療画像セグメンテーションの改善

【要約】
– 医療データには、クラスのバランスの取れていない長尾分布が多く存在し、教師あり分類でマイナークラス（境界領域や珍しいオブジェクト）を正確に分類することは難しい。
– 最近の研究では、非教師あり対比基準を引き継いだことで、長尾シナリオでの半教師あり医療画像セグメンテーションを大幅に改善している。しかし、クラス分布も高度にバランスが取れているラベル付きデータでは、実際にどの程度性能が向上するかは明確ではない。
– この研究では、半教師あり医療セグメンテーションのためのAdaptive Anatomical Contrastによる改良された対比学習フレームワークであるACTION++を提案している。
– 具体的には、最初に埋め込み空間に均等に分布する最適なクラス中心の位置を計算し（オフライン）、異なるクラス機能がこれらの異なる均等に分布したクラス中心に適応的に一致するようにオンラインの対比マッチングトレーニングを実施する、適応的な教師あり対比損失を提案している。
– さらに、長尾医療データで定数の温度τを瞬時に採用することは最適ではなく、多数派と少数派の間のより良い分離をもたらすために、シンプルな余弦スケジュールを使用して動的なτを提案している。
– 実験的には、ACTION++をACDCとLA指標で評価し、2つの半教師あり設定で最先端の性能を発揮することを示した。
– 理論的には、適応的な解剖学上のコントラストの性能を分析し、ラベルの効率性に優れていることを確認した。

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