Shifting to Machine Supervision: Annotation-Efficient Semi and Self-Supervised Learning for Automatic Medical Image Segmentation and Classification

要約

臨床治療の進歩は、大量の注釈付きデータに大きく依存する教師あり学習技術の限界によってますます制約されています。
アノテーションのプロセスにはコストがかかるだけでなく、臨床専門家に多大な時間を要します。
この問題に対処するために、自己教師あり学習と半教師あり学習の進歩を活用した新しいアプローチである S4MI (医用画像の自己教師あり半教師あり) パイプラインを紹介します。
これらの手法は、ラベル付けを必要としない補助タスクに関与するため、完全に監視された方法と比較してマシン監視のスケーリングが簡素化されます。
私たちの研究では、分類とセグメンテーションのタスクにおける有効性を評価するために、3 つの異なる医療画像データセットでこれらの手法をベンチマークしています。
特に、評価されたすべてのデータセットの分類において、自己教師あり学習が教師あり学習のパフォーマンスを大幅に上回っていることが観察されました。
注目すべきことに、半教師ありアプローチはセグメンテーションにおいて優れた結果を示し、完全教師あり手法を上回り、すべてのデータセットで使用するラベルの数が 50% 減少しました。
科学コミュニティに貢献するという当社の取り組みに沿って、当社は S4MI コードをオープンにアクセスできるようにし、これらのメソッドのより広範な応用とさらなる開発を可能にしました。

要約(オリジナル)

Advancements in clinical treatment are increasingly constrained by the limitations of supervised learning techniques, which depend heavily on large volumes of annotated data. The annotation process is not only costly but also demands substantial time from clinical specialists. Addressing this issue, we introduce the S4MI (Self-Supervision and Semi-Supervision for Medical Imaging) pipeline, a novel approach that leverages the advancements in self-supervised and semi-supervised learning. These techniques engage in auxiliary tasks that do not require labeling, thus simplifying the scaling of machine supervision compared to fully-supervised methods. Our study benchmarks these techniques on three distinct medical imaging datasets to evaluate their effectiveness in classification and segmentation tasks. Notably, we observed that self-supervised learning significantly surpassed the performance of supervised methods in the classification of all evaluated datasets. Remarkably, the semi-supervised approach demonstrated superior outcomes in segmentation, outperforming fully-supervised methods while using 50% fewer labels across all datasets. In line with our commitment to contributing to the scientific community, we have made the S4MI code openly accessible, allowing for broader application and further development of these methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google