COSST: Multi-organ Segmentation with Partially Labeled Datasets Using Comprehensive Supervisions and Self-training

要約

タイトル: COSST：包括的な教師シグナルと自己学習を使用した部分ラベル付きデータセットにおける多臓器分割

要約:
– 深層学習モデルは、多臓器分割において顕著な成功を収めていますが、興味のある全ての臓器が注釈付きである大規模なデータセットを必要とする場合が一般的です。
– しかし、医療画像データはしばしばサンプルサイズが小さく、部分的に注釈が付けられているため、利用可能な部分的に注釈付きのデータセットで統合モデルを学習する方法を調査することが重要です。
– この論文では、既存の手法について詳細な分析を行い、地面の真実から派生した2つの信号と擬似ラベルから派生した1つの信号を含む3種類の監視信号を特定します。
– COSSTという新しいトレーニングフレームワークを提案し、包括的な監督信号と自己学習を効果的かつ効率的に統合します。
– 具体的には、2つの地面の真実に基づいた信号を使用して初期統合モデルをトレーニングし、自己学習を使用して初期モデルに擬似ラベル信号を反復的に組み込みます。
– 潜在空間での外れ値検出によって擬似ラベルの信頼性を評価し、各自己学習イテレーションから最も信頼性の低い擬似ラベルを除外することで、信頼性の低い擬似ラベルによる性能劣化を軽減します。
– 6つのCTデータセットに対して、3つの部分ラベル分割タスクを実験的に評価しました。
– 実験結果は、部分的にラベル付けされた各データセットで個別にトレーニングされた個別ネットワークに比べて、提案されたCOSSTが重要な改善を達成していることを示しています。また、COSSTは、様々な分割タスクとトレーニングデータサイズにおいて、最先端の部分ラベル分割手法に対して一貫して優れた性能を示しています。

要約(オリジナル)

Deep learning models have demonstrated remarkable success in multi-organ segmentation but typically require large-scale datasets with all organs of interest annotated. However, medical image datasets are often low in sample size and only partially labeled, i.e., only a subset of organs are annotated. Therefore, it is crucial to investigate how to learn a unified model on the available partially labeled datasets to leverage their synergistic potential. In this paper, we empirically and systematically study the partial-label segmentation with in-depth analyses on the existing approaches and identify three distinct types of supervision signals, including two signals derived from ground truth and one from pseudo label. We propose a novel training framework termed COSST, which effectively and efficiently integrates comprehensive supervision signals with self-training. Concretely, we first train an initial unified model using two ground truth-based signals and then iteratively incorporate the pseudo label signal to the initial model using self-training. To mitigate performance degradation caused by unreliable pseudo labels, we assess the reliability of pseudo labels via outlier detection in latent space and exclude the most unreliable pseudo labels from each self-training iteration. Extensive experiments are conducted on six CT datasets for three partial-label segmentation tasks. Experimental results show that our proposed COSST achieves significant improvement over the baseline method, i.e., individual networks trained on each partially labeled dataset. Compared to the state-of-the-art partial-label segmentation methods, COSST demonstrates consistent superior performance on various segmentation tasks and with different training data size.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI