The Devil is in the Statistics: Mitigating and Exploiting Statistics Difference for Generalizable Semi-supervised Medical Image Segmentation

要約

医用画像セグメンテーションにおけるドメイン一般化の最近の成功にもかかわらず、すべてのソース ドメインに対するボクセル単位のアノテーションは依然として大きな負担となっています。
半教師ありドメイン一般化は、限られたラベル付きデータと複数の医療機関から収集された豊富なラベルなしデータを活用することで、この課題に対処するためにごく最近提案されました。これは、一般化を同時に改善しながらラベルなしデータを正確に利用することに依存します。
この研究では、医療機関間のドメインのシフトにより異種の特徴統計量が発生し、予期しない正規化プロセスにより疑似ラベルの品質が大幅に低下することが観察されました。
それにもかかわらず、この現象は、目に見えないドメインの一般化を促進するために悪用される可能性があります。
したがって、1) 信頼性の高い擬似ラベルのドメイン シフトの影響を軽減するための複数の統計個別ブランチ、および 2) ドメイン不変特徴学習のための 1 つの統計集約ブランチを提案します。
さらに、統計差のある目に見えない領域をシミュレートするために、画像レベルでのヒストグラムマッチングによる摂動と特徴レベルでのランダムなバッチ正規化選択戦略の 2 つの側面からこれにアプローチし、トレーニング分布を拡張するための多様な統計を生成します。
3 つの医用画像データセットの評価結果は、最近の SOTA 手法と比較して、私たちの手法の有効性を示しています。
コードは https://github.com/qiumuyang/SIAB で入手できます。

要約(オリジナル)

Despite the recent success of domain generalization in medical image segmentation, voxel-wise annotation for all source domains remains a huge burden. Semi-supervised domain generalization has been proposed very recently to combat this challenge by leveraging limited labeled data along with abundant unlabeled data collected from multiple medical institutions, depending on precisely harnessing unlabeled data while improving generalization simultaneously. In this work, we observe that domain shifts between medical institutions cause disparate feature statistics, which significantly deteriorates pseudo-label quality due to an unexpected normalization process. Nevertheless, this phenomenon could be exploited to facilitate unseen domain generalization. Therefore, we propose 1) multiple statistics-individual branches to mitigate the impact of domain shifts for reliable pseudo-labels and 2) one statistics-aggregated branch for domain-invariant feature learning. Furthermore, to simulate unseen domains with statistics difference, we approach this from two aspects, i.e., a perturbation with histogram matching at image level and a random batch normalization selection strategy at feature level, producing diverse statistics to expand the training distribution. Evaluation results on three medical image datasets demonstrate the effectiveness of our method compared with recent SOTA methods. The code is available at https://github.com/qiumuyang/SIAB.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google