Domain Adaptation for Medical Image Segmentation using Transformation-Invariant Self-Training

要約

ラベルなしのデータを活用できるモデルは、さまざまなイメージング デバイスや構成にわたって取得されたデータセット間の大きな分布ギャップを克服するために重要です。
この点に関して、擬似ラベリングに基づく自己トレーニング技術は、半教師ありドメインの適応に非常に効果的であることが示されています。
ただし、擬似ラベルの信頼性が低いため、特に分布ギャップが大きい場合、ラベルのないターゲット データセットから抽象表現を誘導する自己トレーニング技術の機能が妨げられる可能性があります。
ニューラル ネットワークのパフォーマンスは画像変換に対して不変である必要があるため、不確実な疑似ラベルを識別するためにこの事実に注目します。
実際、私たちは、変換不変式の検出により、グラウンド トゥルースのより合理的な近似を提供できると主張します。
したがって、我々は、変換不変自己訓練 (TI-ST) と呼ばれる、ドメイン適応のための半教師あり学習戦略を提案します。
提案された方法は、ピクセルごとの疑似ラベルの信頼性を評価し、自己トレーニング中に信頼性の低い検出を除外します。
当社は、医用画像の 3 つの異なるモダリティ、2 つの異なるネットワーク アーキテクチャ、およびいくつかの代替となる最先端のドメイン適応方法を使用して、ドメイン適応の包括的な評価を実行します。
実験結果は、ターゲットドメインのアノテーションの欠如を軽減し、ターゲットドメインのセグメンテーションパフォーマンスを向上させるという点で、提案した方法の優位性を確認しました。

要約(オリジナル)

Models capable of leveraging unlabelled data are crucial in overcoming large distribution gaps between the acquired datasets across different imaging devices and configurations. In this regard, self-training techniques based on pseudo-labeling have been shown to be highly effective for semi-supervised domain adaptation. However, the unreliability of pseudo labels can hinder the capability of self-training techniques to induce abstract representation from the unlabeled target dataset, especially in the case of large distribution gaps. Since the neural network performance should be invariant to image transformations, we look to this fact to identify uncertain pseudo labels. Indeed, we argue that transformation invariant detections can provide more reasonable approximations of ground truth. Accordingly, we propose a semi-supervised learning strategy for domain adaptation termed transformation-invariant self-training (TI-ST). The proposed method assesses pixel-wise pseudo-labels’ reliability and filters out unreliable detections during self-training. We perform comprehensive evaluations for domain adaptation using three different modalities of medical images, two different network architectures, and several alternative state-of-the-art domain adaptation methods. Experimental results confirm the superiority of our proposed method in mitigating the lack of target domain annotation and boosting segmentation performance in the target domain.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google