Consistency-guided Meta-Learning for Bootstrapping Semi-Supervised Medical Image Segmentation

要約

医療画像処理は目覚ましい進歩を遂げていますが、通常、大量の高品質の注釈付きデータが必要であり、取得には時間とコストがかかります。
この負担を軽減するために、半教師あり学習が潜在的な解決策として注目を集めています。
この論文では、半教師あり医用画像セグメンテーションの課題に取り組むための新しい方法である、ブートストラッピング医用画像セグメンテーション (MLB-Seg) のためのメタ学習を紹介します。
具体的には、私たちのアプローチではまず、ラベルのない少数の画像セットでセグメンテーション モデルをトレーニングして、ラベルのないデータの初期ラベルを生成します。
このブートストラップ プロセスをさらに最適化するために、初期化されたラベルとモデル自体の予測の両方に重みを動的に割り当てるピクセルごとの重みマッピング システムを導入します。
これらの重みは、正確にアノテーションが付けられた少数の画像セットに基づいて、クリーン データの損失勾配方向に近い損失勾配方向を持つピクセルを優先するメタプロセスを使用して決定されます。
メタ学習プロセスを促進するために、同じ入力のさまざまな拡張バージョンからの予測をアンサンブルすることでモデル自体の予測の品質を向上させる、一貫性ベースの擬似ラベル拡張 (PLE) スキームをさらに導入します。
単一入力の複数の拡張を通じて取得される重みマップの品質を向上させるために、PLE スキームに平均教師を導入します。
この方法は、ウェイト マップのノイズを低減し、その生成プロセスを安定させるのに役立ちます。
公開された心房および前立腺セグメンテーション データセットに関する広範な実験結果は、私たちが提案した方法が半監視下で最先端の結果を達成することを実証しています。
私たちのコードは https://github.com/aijinrjinr/MLB-Seg で入手できます。

要約(オリジナル)

Medical imaging has witnessed remarkable progress but usually requires a large amount of high-quality annotated data which is time-consuming and costly to obtain. To alleviate this burden, semi-supervised learning has garnered attention as a potential solution. In this paper, we present Meta-Learning for Bootstrapping Medical Image Segmentation (MLB-Seg), a novel method for tackling the challenge of semi-supervised medical image segmentation. Specifically, our approach first involves training a segmentation model on a small set of clean labeled images to generate initial labels for unlabeled data. To further optimize this bootstrapping process, we introduce a per-pixel weight mapping system that dynamically assigns weights to both the initialized labels and the model’s own predictions. These weights are determined using a meta-process that prioritizes pixels with loss gradient directions closer to those of clean data, which is based on a small set of precisely annotated images. To facilitate the meta-learning process, we additionally introduce a consistency-based Pseudo Label Enhancement (PLE) scheme that improves the quality of the model’s own predictions by ensembling predictions from various augmented versions of the same input. In order to improve the quality of the weight maps obtained through multiple augmentations of a single input, we introduce a mean teacher into the PLE scheme. This method helps to reduce noise in the weight maps and stabilize its generation process. Our extensive experimental results on public atrial and prostate segmentation datasets demonstrate that our proposed method achieves state-of-the-art results under semi-supervision. Our code is available at https://github.com/aijinrjinr/MLB-Seg.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google