Expectation Maximization Pseudo Labelling for Segmentation with Limited Annotations

要約

タイトル: アノテーションが限られた場合のセグメンテーションにおけるEM（期待値最大化）の擬似ラベリング
要約:
・擬似ラベリングの研究により、医用画像の半教師ありセグメンテーションにおいて、非ラベルのデータの生の推論を擬似ラベルとしてセルフトレーニングに利用することで、大きな経験的成功を収めている
・本論文では、擬似ラベリングとEMアルゴリズムの間に接続を構築し、その経験的成功の部分的な説明をした
・そのため、元の擬似ラベリングは、潜在的な完全な形式の経験的な推定であることがわかる
・この洞察に従って、Bayesの原理に基づく擬似ラベルの完全な汎化、Bayesian Pseudo Labelsを示し、閾値を学習して良質の擬似ラベルを選択することで、Bayesian Pseudo Labelsの近似を学習するための変分的アプローチを提供する
・さらに、本論文では、擬似ラベリングとその汎化であるBayesian Psuedo Labellingの応用を、医用画像の半教師ありセグメンテーションにおいて、1）CTボリュームからの3D二値セグメンテーション、2）MRIボリュームからの2Dマルチクラスセグメンテーション、3）MRIボリュームからの3D二値セグメンテーションについて説明する
・また、擬似ラベルは、学習された表現の堅牢性を向上させることができることを示す

要約(オリジナル)

We study pseudo labelling and its generalisation for semi-supervised segmentation of medical images. Pseudo labelling has achieved great empirical successes in semi-supervised learning, by utilising raw inferences on unlabelled data as pseudo labels for self-training. In our paper, we build a connection between pseudo labelling and the Expectation Maximization algorithm which partially explains its empirical successes. We thereby realise that the original pseudo labelling is an empirical estimation of its underlying full formulation. Following this insight, we demonstrate the full generalisation of pseudo labels under Bayes’ principle, called Bayesian Pseudo Labels. We then provide a variational approach to learn to approximate Bayesian Pseudo Labels, by learning a threshold to select good quality pseudo labels. In the rest of the paper, we demonstrate the applications of Pseudo Labelling and its generalisation Bayesian Psuedo Labelling in semi-supervised segmentation of medical images on: 1) 3D binary segmentation of lung vessels from CT volumes; 2) 2D multi class segmentation of brain tumours from MRI volumes; 3) 3D binary segmentation of brain tumours from MRI volumes. We also show that pseudo labels can enhance the robustness of the learnt representations.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI