Mixed Prototype Consistency Learning for Semi-supervised Medical Image Segmentation

要約

最近、半教師あり医療画像セグメンテーションにおいてプロトタイプ学習が登場し、目覚ましいパフォーマンスを達成しました。
ただし、ラベル付きデータが不足しているため、以前の方法ではプロトタイプの表現力が制限され、クラス埋め込みのためのプロトタイプの完全な表現が妨げられる可能性があります。
この問題に対処するために、平均教師と補助ネットワークを含む混合プロトタイプ一貫性学習 (MPCL) フレームワークを提案します。
Mean Teacher はラベル付きデータとラベルなしデータのプロトタイプを生成し、補助ネットワークは CutMix によって処理された混合データの追加のプロトタイプを生成します。
プロトタイプの融合を通じて、混合プロトタイプは、ラベル付きプロトタイプとラベルなしプロトタイプの両方に追加のセマンティック情報を提供します。
各クラスの高品質なグローバル プロトタイプは、2 つの強化されたプロトタイプを融合することによって形成され、一貫性学習で使用される隠れた埋め込みの分布が最適化されます。
左心房およびB型大動脈解離データセットに関する広範な実験により、以前の最先端のアプローチに対するMPCLの優位性が実証され、私たちのフレームワークの有効性が確認されました。
コードは近日公開予定です。

要約(オリジナル)

Recently, prototype learning has emerged in semi-supervised medical image segmentation and achieved remarkable performance. However, the scarcity of labeled data limits the expressiveness of prototypes in previous methods, potentially hindering the complete representation of prototypes for class embedding. To address this problem, we propose the Mixed Prototype Consistency Learning (MPCL) framework, which includes a Mean Teacher and an auxiliary network. The Mean Teacher generates prototypes for labeled and unlabeled data, while the auxiliary network produces additional prototypes for mixed data processed by CutMix. Through prototype fusion, mixed prototypes provide extra semantic information to both labeled and unlabeled prototypes. High-quality global prototypes for each class are formed by fusing two enhanced prototypes, optimizing the distribution of hidden embeddings used in consistency learning. Extensive experiments on the left atrium and type B aortic dissection datasets demonstrate MPCL’s superiority over previous state-of-the-art approaches, confirming the effectiveness of our framework. The code will be released soon.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google