VPBSD:Vessel-Pattern-Based Semi-Supervised Distillation for Efficient 3D Microscopic Cerebrovascular Segmentation

要約

3D 顕微鏡脳血管画像はその高解像度が特徴であり、注釈付けに大きな課題があり、データ量が多く、詳細が複雑に変化します。
これらの要因により、高品質で効率的な全脳セグメンテーションの達成が特に困難になります。
この論文では、3D 顕微鏡による脳血管セグメンテーションの課題に対処するための、新しい血管パターンベースの半教師あり蒸留パイプライン (VpbSD) を提案します。
このパイプラインは最初に、教師モデルの事前トレーニング段階でラベルなしデータからさまざまな血管構造をキャプチャする血管パターン コードブックを構築します。
知識の蒸留段階では、コードブックにより、異種混合の教師モデルから学生モデルへの豊富な知識の伝達が容易になり、一方、半教師ありアプローチにより、学生モデルの多様な学習サンプルへの露出がさらに強化されます。
最先端の方法やアブレーション研究との比較を含む、実世界のデータに関する実験結果は、当社のパイプラインとその個々のコンポーネントが、微細な脳血管セグメンテーションに固有の課題に効果的に対処していることを示しています。

要約(オリジナル)

3D microscopic cerebrovascular images are characterized by their high resolution, presenting significant annotation challenges, large data volumes, and intricate variations in detail. Together, these factors make achieving high-quality, efficient whole-brain segmentation particularly demanding. In this paper, we propose a novel Vessel-Pattern-Based Semi-Supervised Distillation pipeline (VpbSD) to address the challenges of 3D microscopic cerebrovascular segmentation. This pipeline initially constructs a vessel-pattern codebook that captures diverse vascular structures from unlabeled data during the teacher model’s pretraining phase. In the knowledge distillation stage, the codebook facilitates the transfer of rich knowledge from a heterogeneous teacher model to a student model, while the semi-supervised approach further enhances the student model’s exposure to diverse learning samples. Experimental results on real-world data, including comparisons with state-of-the-art methods and ablation studies, demonstrate that our pipeline and its individual components effectively address the challenges inherent in microscopic cerebrovascular segmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google