Prototype Contrastive Consistency Learning for Semi-Supervised Medical Image Segmentation

要約

医療画像のセグメンテーションは、医療画像分析において重要なタスクですが、特にラベルが少ないデータがあるが、大きな非標識データがある場合は非常に困難な場合があります。
対照的な学習は、部分ピクセルから対照的なサンプルを構築することにより、半監視学習における医療画像セグメンテーションに効果的であることが証明されています。
ただし、以前の対照学習方法は画像内の部分ピクセルからセマンティック情報を採掘することができますが、無効な画像のコンテキスト情報全体を無視します。これは、正確なセグメンテーションにとって非常に重要です。
この問題を解決するために、半監視された医療イメージセグメンテーションのプロトタイプコントラシティブな一貫性セグメンテーション（PCC）と呼ばれる新しいプロトタイプコントラスト学習方法を提案します。
核となるアイデアは、同じセマンティッククラスのプロトタイプを強制して、互いに遠く離れた異なるセマンティッククラスでプロトタイプをプッシュすることです。
具体的には、署名された距離マップと、非標識画像から不確実性マップを作成します。
署名された距離マップは、対照学習のためにプロトタイプを構築するために使用され、プロトタイプ間のトレードオフとして不確実性マップからのプロトタイプの不確実性を推定します。
学生と教師のアーキテクチャに基づいて、より良いプロトタイプを取得するために、プロトタイプの更新プロトタイプという名前の新しいメカニズムが、対照的な学習のためにプロトタイプの更新を支援するように設計されています。
さらに、無効なデータからより信頼できる情報を採掘するために、不確実性のない損失を提案します。
医療画像セグメンテーションに関する広範な実験は、PCCが最先端の方法よりも優れたセグメンテーションパフォーマンスを達成することを示しています。
このコードは、https：//github.com/comphsh/pccsで入手できます。

要約(オリジナル)

Medical image segmentation is a crucial task in medical image analysis, but it can be very challenging especially when there are less labeled data but with large unlabeled data. Contrastive learning has proven to be effective for medical image segmentation in semi-supervised learning by constructing contrastive samples from partial pixels. However, although previous contrastive learning methods can mine semantic information from partial pixels within images, they ignore the whole context information of unlabeled images, which is very important to precise segmentation. In order to solve this problem, we propose a novel prototype contrastive learning method called Prototype Contrastive Consistency Segmentation (PCCS) for semi-supervised medical image segmentation. The core idea is to enforce the prototypes of the same semantic class to be closer and push the prototypes in different semantic classes far away from each other. Specifically, we construct a signed distance map and an uncertainty map from unlabeled images. The signed distance map is used to construct prototypes for contrastive learning, and then we estimate the prototype uncertainty from the uncertainty map as trade-off among prototypes. In order to obtain better prototypes, based on the student-teacher architecture, a new mechanism named prototype updating prototype is designed to assist in updating the prototypes for contrastive learning. In addition, we propose an uncertainty-consistency loss to mine more reliable information from unlabeled data. Extensive experiments on medical image segmentation demonstrate that PCCS achieves better segmentation performance than the state-of-the-art methods. The code is available at https://github.com/comphsh/PCCS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google