SP${ }^3$ : Superpixel-propagated pseudo-label learning for weakly semi-supervised medical image segmentation

要約

深層学習ベースの医療画像セグメンテーションは、診断を支援し、治療プロセスを加速するのに役立ちますが、モデルのトレーニングには通常、大規模で高密度のアノテーション データセットが必要です。
弱い半教師あり医療画像セグメンテーションは、モデルのトレーニングに少量の落書きと大量のラベルなしデータのみが必要なため、必須のアプリケーションです。これにより、画像に完全にアノテーションを付ける臨床医の労力が大幅に軽減されます。
弱半教師ありセグメンテーション (WSSS) における不適切な監視情報の課題に対処するために、補足情報としてスーパーピクセルに含まれる構造情報を使用する、スーパーピクセル伝播擬似ラベル (SP${}^3$) 学習方法が提案されています。
具体的には、落書きの注釈がスーパーピクセルに伝播されるため、教師ありトレーニング用の高密度の注釈が得られます。
擬似ラベルの品質は低品質のアノテーションによって制限されるため、動的しきい値処理によって選択された有益なスーパーピクセルを使用して擬似ラベルが改良されます。
さらに、擬似ラベルにおけるノイズの悪影響を軽減することを目的として、安定した学習のための擬似ラベル監視をガイドするためにスーパーピクセルレベルの不確実性が組み込まれています。
私たちの方法は、WSSS 設定の下で腫瘍と臓器セグメンテーション データセットの両方で最先端のパフォーマンスを達成し、完全に監視された方法と比較してアノテーション ワークロードのわずか 3% を使用し、約 80% の Dice スコアを達成します。
さらに、私たちの方法は、弱教師あり設定と半教師あり設定の両方で、8 つの弱教師ありおよび半教師ありの手法よりも優れたパフォーマンスを示します。
広範な実験の結果、当社の弱教師付きセグメンテーションの有効性とアノテーション効率が検証され、臨床医が臓器や腫瘍の自動セグメンテーションを迅速に達成するのに役立ち、最終的には患者に利益をもたらすことができます。

要約(オリジナル)

Deep learning-based medical image segmentation helps assist diagnosis and accelerate the treatment process while the model training usually requires large-scale dense annotation datasets. Weakly semi-supervised medical image segmentation is an essential application because it only requires a small amount of scribbles and a large number of unlabeled data to train the model, which greatly reduces the clinician’s effort to fully annotate images. To handle the inadequate supervisory information challenge in weakly semi-supervised segmentation (WSSS), a SuperPixel-Propagated Pseudo-label (SP${}^3$) learning method is proposed, using the structural information contained in superpixel for supplemental information. Specifically, the annotation of scribbles is propagated to superpixels and thus obtains a dense annotation for supervised training. Since the quality of pseudo-labels is limited by the low-quality annotation, the beneficial superpixels selected by dynamic thresholding are used to refine pseudo-labels. Furthermore, aiming to alleviate the negative impact of noise in pseudo-label, superpixel-level uncertainty is incorporated to guide the pseudo-label supervision for stable learning. Our method achieves state-of-the-art performance on both tumor and organ segmentation datasets under the WSSS setting, using only 3\% of the annotation workload compared to fully supervised methods and attaining approximately 80\% Dice score. Additionally, our method outperforms eight weakly and semi-supervised methods under both weakly supervised and semi-supervised settings. Results of extensive experiments validate the effectiveness and annotation efficiency of our weakly semi-supervised segmentation, which can assist clinicians in achieving automated segmentation for organs or tumors quickly and ultimately benefit patients.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google