Self-training with dual uncertainty for semi-supervised medical image segmentation

要約

【タイトル】デュアルアンサーティによる自己学習を用いた半教師あり医療画像セグメンテーション

【要約】
– 半教師あり医療画像セグメンテーションにおいて、ラベルのないデータが不足していることが基本的な問題である。
– ラベルのないデータから画像特徴を効果的に学習して、セグメンテーションの精度を向上させることが主な研究方向である。
– 伝統的な自己学習法は、反復学習のための擬似ラベルを生成することで、ラベル不足の問題を一部解決することができる。
– しかし、トレーニング中にモデルの不確かさによって生成されるノイズは、セグメンテーション結果に直接影響する。
– そこで、自己学習フレームワークに基づいて、サンプルレベルとピクセルレベルの不確実性を追加し、トレーニングプロセスを安定化させた。
– 具体的には、事前トレーニング中にモデルの複数の瞬間を保存し、ラベルのないサンプルの予測の差をそのサンプルのサンプルレベルの不確実性の推定値として使用した。
– そして、トレーニング中に易しい状態から難しい状態までラベルのないサンプルを徐々に追加していった。
– 同時に、セグメンテーションネットワークに異なるアップサンプリング方法を持つデコーダを追加し、2つのデコーダの出力の差をピクセルレベルの不確実性として使用した。
– 簡単に言えば、ラベルのないサンプルを選択的に再トレーニングし、擬似ラベルにピクセルレベルの不確実性を割り当てて、自己学習プロセスを最適化した。
– 2017 ACDCデータセットと2018 Prostateデータセットで、5つの半教師ありアプローチのセグメンテーション結果と比較した結果、提案手法は同じ設定下で両方のデータセットでより良好なセグメンテーション性能を発揮し、その有効性、堅牢性、他の医療画像セグメンテーションタスクにおける潜在的な転移性を示した。キーワード：医療画像セグメンテーション、半教師あり学習、自己学習、不確実性の推定

要約(オリジナル)

In the field of semi-supervised medical image segmentation, the shortage of labeled data is the fundamental problem. How to effectively learn image features from unlabeled images to improve segmentation accuracy is the main research direction in this field. Traditional self-training methods can partially solve the problem of insufficient labeled data by generating pseudo labels for iterative training. However, noise generated due to the model’s uncertainty during training directly affects the segmentation results. Therefore, we added sample-level and pixel-level uncertainty to stabilize the training process based on the self-training framework. Specifically, we saved several moments of the model during pre-training, and used the difference between their predictions on unlabeled samples as the sample-level uncertainty estimate for that sample. Then, we gradually add unlabeled samples from easy to hard during training. At the same time, we added a decoder with different upsampling methods to the segmentation network and used the difference between the outputs of the two decoders as pixel-level uncertainty. In short, we selectively retrained unlabeled samples and assigned pixel-level uncertainty to pseudo labels to optimize the self-training process. We compared the segmentation results of our model with five semi-supervised approaches on the public 2017 ACDC dataset and 2018 Prostate dataset. Our proposed method achieves better segmentation performance on both datasets under the same settings, demonstrating its effectiveness, robustness, and potential transferability to other medical image segmentation tasks. Keywords: Medical image segmentation, semi-supervised learning, self-training, uncertainty estimation

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI