USL-Net: Uncertainty Self-Learning Network for Unsupervised Skin Lesion Segmentation

要約

教師なしの皮膚病変セグメンテーションには、専門家人材の節約、人間の主観的なラベル付けによる不一致の削減、新しい環境への適応など、いくつかの利点があります。
ただし、手動のラベル付けガイダンスなしでダーモスコピー画像をセグメント化することは、毛髪ノイズ、水ぶくれノイズ、微妙なエッジの違いなどのダーモスコピー画像のアーティファクトにより、重大な課題が生じます。
これらの課題に対処するために、皮膚病変のセグメンテーション用に設計された革新的な不確実性自己学習ネットワーク (USL-Net) を導入します。
USL-Net は、さまざまな病変を効果的にセグメント化できるため、手動によるラベル付けのガイダンスが不要になります。
最初に、対照学習を使用して特徴が抽出され、続いてこれらの特徴を使用して顕著性マップとしてクラス アクティベーション マップ (CAM) が生成されます。
異なる CAM 位置は、その顕著性に基づいて病変領域の重要性に対応します。
マップ内の顕著性の高い領域は病変領域の擬似ラベルとして機能し、顕著性の低い領域は背景を表します。
ただし、中間領域は、多くの場合、病変の端に近いことや、毛や水ぶくれによる干渉が原因で、分類が難しい場合があります。
これらの領域を強制的に分類することで潜在的な疑似ラベル付けエラーや学習混乱の危険を冒すのではなく、これらの領域を不確実性領域と見なし、疑似ラベル付けから免除し、ネットワークが自己学習できるようにします。
さらに、接続性検出と中心性検出を使用して、フォアグラウンド疑似ラベルを改良し、ノイズによって引き起こされるエラーを削減します。
サイクルリファイニングの適用により、パフォーマンスがさらに向上します。
私たちの手法は、ISIC-2017、ISIC-2018、および PH2 データセットで徹底的な実験検証を受け、そのパフォーマンスが弱教師ありおよび教師あり手法と同等であり、他の既存の教師なし手法のパフォーマンスを上回ることが実証されました。

要約(オリジナル)

Unsupervised skin lesion segmentation offers several benefits, including conserving expert human resources, reducing discrepancies due to subjective human labeling, and adapting to novel environments. However, segmenting dermoscopic images without manual labeling guidance presents significant challenges due to dermoscopic image artifacts such as hair noise, blister noise, and subtle edge differences. To address these challenges, we introduce an innovative Uncertainty Self-Learning Network (USL-Net) designed for skin lesion segmentation. The USL-Net can effectively segment a range of lesions, eliminating the need for manual labeling guidance. Initially, features are extracted using contrastive learning, followed by the generation of Class Activation Maps (CAMs) as saliency maps using these features. The different CAM locations correspond to the importance of the lesion region based on their saliency. High-saliency regions in the map serve as pseudo-labels for lesion regions while low-saliency regions represent the background. However, intermediate regions can be hard to classify, often due to their proximity to lesion edges or interference from hair or blisters. Rather than risk potential pseudo-labeling errors or learning confusion by forcefully classifying these regions, we consider them as uncertainty regions, exempting them from pseudo-labeling and allowing the network to self-learn. Further, we employ connectivity detection and centrality detection to refine foreground pseudo-labels and reduce noise-induced errors. The application of cycle refining enhances performance further. Our method underwent thorough experimental validation on the ISIC-2017, ISIC-2018, and PH2 datasets, demonstrating that its performance is on par with weakly supervised and supervised methods, and exceeds that of other existing unsupervised methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google