An Evidential-enhanced Tri-Branch Consistency Learning Method for Semi-supervised Medical Image Segmentation

要約

半教師ありセグメンテーションは、大規模な医用画像分析に有望なアプローチを提供し、同等のパフォーマンスを達成しながら、アノテーションの負担を効果的に軽減します。
この方法論は、セグメンテーションプロセスを合理化し、トランスレーショナル研究の臨床現場での実現可能性を高める大きな可能性を秘めています。
別個の共同トレーニング サブネットワークに基づく相互教師ありトレーニングは、このタスクの一般的なパラダイムとなっていますが、予測の不一致やラベル ノイズ抑制などの重要な問題に対処するには、相互教師ありトレーニングにおけるさらなる注意と進歩が必要です。
この論文では、半教師あり医療画像セグメンテーションのための Evidential Tri-Branch Consistency 学習フレームワーク (ETC-Net) を紹介します。
ETC-Net は、証拠のある保守的なブランチ、証拠のある進歩的なブランチ、および証拠のある融合ブランチの 3 つのブランチを採用しています。
最初の 2 つのブランチは相補的な特性を示し、予測の多様性に対処し、トレーニングの安定性を向上させることができます。
また、証拠学習からの不確実性推定を相互教師ありトレーニングに統合し、誤った教師信号の悪影響を軽減します。
さらに、証拠融合ブランチは、最初の 2 つのブランチの相補的な属性を活用し、ラベルなしデータのより信頼性が高く正確な疑似ラベルによって管理される、証拠に基づいたデンプスター・シェーファー融合戦略を活用します。
LA、膵臓-CT、および ACDC データセットに対して行われた広範な実験により、ETC-Net が半教師ありセグメンテーションの他の最先端の方法を上回ることが実証されました。
このコードは、近い将来 https://github.com/Medsemiseg で公開される予定です。

要約(オリジナル)

Semi-supervised segmentation presents a promising approach for large-scale medical image analysis, effectively reducing annotation burdens while achieving comparable performance. This methodology holds substantial potential for streamlining the segmentation process and enhancing its feasibility within clinical settings for translational investigations. While cross-supervised training, based on distinct co-training sub-networks, has become a prevalent paradigm for this task, addressing critical issues such as predication disagreement and label-noise suppression requires further attention and progress in cross-supervised training. In this paper, we introduce an Evidential Tri-Branch Consistency learning framework (ETC-Net) for semi-supervised medical image segmentation. ETC-Net employs three branches: an evidential conservative branch, an evidential progressive branch, and an evidential fusion branch. The first two branches exhibit complementary characteristics, allowing them to address prediction diversity and enhance training stability. We also integrate uncertainty estimation from the evidential learning into cross-supervised training, mitigating the negative impact of erroneous supervision signals. Additionally, the evidential fusion branch capitalizes on the complementary attributes of the first two branches and leverages an evidence-based Dempster-Shafer fusion strategy, supervised by more reliable and accurate pseudo-labels of unlabeled data. Extensive experiments conducted on LA, Pancreas-CT, and ACDC datasets demonstrate that ETC-Net surpasses other state-of-the-art methods for semi-supervised segmentation. The code will be made available in the near future at https://github.com/Medsemiseg.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google