Self and Mixed Supervision to Improve Training Labels for Multi-Class Medical Image Segmentation

要約

正確なトレーニング ラベルは、マルチクラスの医療画像セグメンテーションの重要なコンポーネントです。
注釈にはドメインの専門知識が必要なため、コストと時間がかかります。
この研究の目的は、デュアルブランチ ネットワークを開発し、マルチクラス画像セグメンテーションのトレーニング ラベルを自動的に改善することです。
転移学習は、ネットワークをトレーニングし、不正確な弱いラベルを順次改善するために使用されます。
デュアルブランチ ネットワークは、モデル パラメーターを初期化するために最初に弱いラベルのみによってトレーニングされます。
ネットワークが安定した後、共有エンコーダーはフリーズされ、強いラベルと弱いラベルを一緒に使用して、強いデコーダーと弱いデコーダーが微調整されます。
弱いラベルの精度は、微調整プロセスで繰り返し改善されます。
提案された方法は、腹部 CT スキャン上の筋肉、皮下、内臓脂肪組織の 3 クラスのセグメンテーションに適用されました。
11人の患者を対象とした検証結果では、トレーニングラベルの精度が統計的に有意に向上し、筋肉、皮下脂肪組織、内臓脂肪組織のDice類似係数が74.2%から91.5%、91.2%から95.6%、77.6%から88.5%に増加したことが示されました。
、それぞれ（p<0.05）。 以前の方法と比較して、ラベルの精度も大幅に向上しました (p<0.05)。 これらの実験結果は、デュアルブランチ ネットワークと転移学習の組み合わせが、マルチクラス セグメンテーションのトレーニング ラベルを改善する効率的な手段であることを示唆しています。

要約(オリジナル)

Accurate training labels are a key component for multi-class medical image segmentation. Their annotation is costly and time-consuming because it requires domain expertise. This work aims to develop a dual-branch network and automatically improve training labels for multi-class image segmentation. Transfer learning is used to train the network and improve inaccurate weak labels sequentially. The dual-branch network is first trained by weak labels alone to initialize model parameters. After the network is stabilized, the shared encoder is frozen, and strong and weak decoders are fine-tuned by strong and weak labels together. The accuracy of weak labels is iteratively improved in the fine-tuning process. The proposed method was applied to a three-class segmentation of muscle, subcutaneous and visceral adipose tissue on abdominal CT scans. Validation results on 11 patients showed that the accuracy of training labels was statistically significantly improved, with the Dice similarity coefficient of muscle, subcutaneous and visceral adipose tissue increased from 74.2% to 91.5%, 91.2% to 95.6%, and 77.6% to 88.5%, respectively (p<0.05). In comparison with our earlier method, the label accuracy was also significantly improved (p<0.05). These experimental results suggested that the combination of the dual-branch network and transfer learning is an efficient means to improve training labels for multi-class segmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google