RCPS: Rectified Contrastive Pseudo Supervision for Semi-Supervised Medical Image Segmentation

要約

医療画像セグメンテーション手法は一般に、モデルのパフォーマンスを保証するために完全に監視されるように設計されており、コストと労力がかかる大量の専門家による注釈付きサンプルが必要です。
半教師あり画像セグメンテーションでは、限定されたラベル付き画像とともに多数のラベルなし画像を利用することで問題を軽減できます。
しかし、多数のラベルなし画像から堅牢な表現を学習することは、擬似ラベルの潜在的なノイズと特徴空間での不十分なクラス分離性により依然として困難であり、現在の半教師ありセグメンテーション手法のパフォーマンスを損なうものとなっています。
上記の問題に対処するために、我々は、修正疑似監視（RCPS）と名付けられた新しい半教師ありセグメンテーション手法を提案します。これは、修正疑似監視とボクセルレベルのコントラスト学習を組み合わせて、半教師ありセグメンテーションの有効性を向上させます。
特に、擬似ラベルのノイズの影響を低減するために、不確実性推定と一貫性正則化に基づいた擬似監視手法の新しい修正戦略を設計します。
さらに、双方向ボクセルコントラスト損失をネットワークに導入して、特徴空間におけるクラス内の一貫性とクラス間のコントラストを確保し、セグメンテーションにおけるクラスの分離可能性を高めます。
提案された RCPS セグメンテーション手法は、2 つの公開データセットと社内の臨床データセットで検証されています。
実験結果は、提案された方法が、半教師あり医用画像セグメンテーションにおける最先端の方法と比較して、より優れたセグメンテーション性能をもたらすことを明らかにした。
ソース コードは https://github.com/hsiangyuzhao/RCPS で入手できます。

要約(オリジナル)

Medical image segmentation methods are generally designed as fully-supervised to guarantee model performance, which require a significant amount of expert annotated samples that are high-cost and laborious. Semi-supervised image segmentation can alleviate the problem by utilizing a large number of unlabeled images along with limited labeled images. However, learning a robust representation from numerous unlabeled images remains challenging due to potential noise in pseudo labels and insufficient class separability in feature space, which undermines the performance of current semi-supervised segmentation approaches. To address the issues above, we propose a novel semi-supervised segmentation method named as Rectified Contrastive Pseudo Supervision (RCPS), which combines a rectified pseudo supervision and voxel-level contrastive learning to improve the effectiveness of semi-supervised segmentation. Particularly, we design a novel rectification strategy for the pseudo supervision method based on uncertainty estimation and consistency regularization to reduce the noise influence in pseudo labels. Furthermore, we introduce a bidirectional voxel contrastive loss to the network to ensure intra-class consistency and inter-class contrast in feature space, which increases class separability in the segmentation. The proposed RCPS segmentation method has been validated on two public datasets and an in-house clinical dataset. Experimental results reveal that the proposed method yields better segmentation performance compared with the state-of-the-art methods in semi-supervised medical image segmentation. The source code is available at https://github.com/hsiangyuzhao/RCPS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google