A Unified Framework for Semi-Supervised Image Segmentation and Registration

要約

注釈付きデータと発表されていないデータの両方を活用する半教師の学習は、医療画像セグメンテーションの効率的なアプローチであり、データセット全体の注釈を取得することは時間がかかり、費用がかかります。
従来の半教師の方法は、主に、特徴の抽出と、モデルトレーニングを強化するための未発表のデータからのデータ分布の学習に焦点を当てています。
このホワイトペーパーでは、画像登録モデルを組み込んだ新しいアプローチを紹介して、発表されていないデータの擬似ラベルを生成し、モデルトレーニングを改善するために、より幾何学的に正しい擬似ラベルを生成します。
私たちの方法は2D脳データセットで評価され、注釈付きデータの1 \％のみを使用しても優れたパフォーマンスを示しました。
結果は、私たちのアプローチが、特に注釈シナリオの割合が低いという、従来の半監視セグメンテーション方法（教師と学生のモデルなど）を上回ることを示しています。
Github：https：//github.com/ruizhe-l/unisegreg。

要約(オリジナル)

Semi-supervised learning, which leverages both annotated and unannotated data, is an efficient approach for medical image segmentation, where obtaining annotations for the whole dataset is time-consuming and costly. Traditional semi-supervised methods primarily focus on extracting features and learning data distributions from unannotated data to enhance model training. In this paper, we introduce a novel approach incorporating an image registration model to generate pseudo-labels for the unannotated data, producing more geometrically correct pseudo-labels to improve the model training. Our method was evaluated on a 2D brain data set, showing excellent performance even using only 1\% of the annotated data. The results show that our approach outperforms conventional semi-supervised segmentation methods (e.g. teacher-student model), particularly in a low percentage of annotation scenario. GitHub: https://github.com/ruizhe-l/UniSegReg.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google