Rethinking Barely-Supervised Volumetric Medical Image Segmentation from an Unsupervised Domain Adaptation Perspective

要約

この論文では、かろうじて監視されたボリューム医療画像セグメンテーション (BSS) という非常に困難な問題を調査します。
BSS トレーニング データセットは 2 つの部分で構成されます。1) ほとんどアノテーションが付けられていないラベル付きセット (各ラベル付き画像には単一スライスのアノテーションのみが含まれます)、および 2) 多数のラベルなしボリューム画像で構成されるラベルなしセット。
最先端の BSS 手法では、スライス間画像レジストレーションを使用して単一スライスのアノテーションを体積擬似ラベルに伝播し、完全にアノテーションが付けられたラベル付きセットを構築するレジストレーションベースのパラダイムを採用しています。これに対して、半教師ありセグメンテーション スキームを使用できます。
適用される。
ただし、このパラダイムには重大な制限があります。画像レジストレーションによって生成される擬似ラベルは信頼性が低く、ノイズが多いということです。
これに動機付けられて、私たちは新しい視点を提案します。つまり、半教師あり学習スキーム内で BSS を解決する代わりに、この研究では BSS を教師なしドメイン適応問題として定式化します。
この目的を達成するために、私たちは、支配的な登録パラダイムの代替として、新しい BSS フレームワークである \textbf{B} 教師あり学習 \textbf{via} 教師なしドメイン \textbf{A}daptation (BvA) を提案します。
具体的には、まず、スライスからボリュームへのラベル付きデータ合成のための、新しいノイズフリーのラベル付きデータ構築アルゴリズム (NFC) を設計します。
次に、周波数および空間ミックスアップ戦略 (FSX) を導入して、ドメインのシフトを軽減します。
広範な実験により、私たちの方法が BSS の有望な代替手段となることが実証されました。
注目すべきことに、\textbf{only one} かろうじてラベル付けされた画像を使用して左心房セグメンテーション データセットでトレーニングされた提案された方法は、81.20% の Dice スコアを達成し、最先端の方法を 61.71% 上回っています。
コードは https://github.com/Senyh/BvA で入手できます。

要約(オリジナル)

This paper investigates an extremely challenging problem: barely-supervised volumetric medical image segmentation (BSS). A BSS training dataset consists of two parts: 1) a barely-annotated labeled set, where each labeled image contains only a single-slice annotation, and 2) an unlabeled set comprising numerous unlabeled volumetric images. State-of-the-art BSS methods employ a registration-based paradigm, which uses inter-slice image registration to propagate single-slice annotations into volumetric pseudo labels, constructing a completely annotated labeled set, to which a semi-supervised segmentation scheme can be applied. However, the paradigm has a critical limitation: the pseudo-labels generated by image registration are unreliable and noisy. Motivated by this, we propose a new perspective: instead of solving BSS within a semi-supervised learning scheme, this work formulates BSS as an unsupervised domain adaptation problem. To this end, we propose a novel BSS framework, \textbf{B}arely-supervised learning \textbf{via} unsupervised domain \textbf{A}daptation (BvA), as an alternative to the dominant registration paradigm. Specifically, we first design a novel noise-free labeled data construction algorithm (NFC) for slice-to-volume labeled data synthesis. Then, we introduce a frequency and spatial Mix-Up strategy (FSX) to mitigate the domain shifts. Extensive experiments demonstrate that our method provides a promising alternative for BSS. Remarkably, the proposed method, trained on the left atrial segmentation dataset with \textbf{only one} barely-labeled image, achieves a Dice score of 81.20%, outperforming the state-of-the-art by 61.71%. The code is available at https://github.com/Senyh/BvA.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google