Multi-Prototype Embedding Refinement for Semi-Supervised Medical Image Segmentation

要約

医療画像セグメンテーションは、ボクセルレベルの解剖学的構造を特定することを目的としています。
セグメンテーションの精度は、ボクセルの違いを区別することに依存しています。
クラス間の分散の研究で達成された進歩と比較して、クラス内の分散はあまり注意を払っていません。
さらに、クラスごとに学習可能な単一の体重によって制限されている従来の線形分類器は、このより細かい区別を捉えるのに苦労しています。
上記の課題に対処するために、半プロトタイプベースの埋め込み精製方法を半監視する医療画像セグメンテーションのための洗練方法を提案します。
具体的には、マルチプロトタイプベースの分類戦略を設計し、ボクセル埋め込み間の構造的関係の観点からセグメンテーションを再考します。
クラス内のバリエーションは、各クラスの複数のプロトタイプの分布に沿ってボクセルをクラスタリングすることにより調査されます。
次に、線形分類器の制限を軽減するために一貫性の制約を導入します。
この制約は、線形分類器と提案されたプロトタイプベースの分類器からの異なる分類粒度を統合します。
2つの一般的なベンチマークでの徹底的な評価では、最先端の方法と比較して優れたパフォーマンスを実現します。
コードはhttps://github.com/briley-byl123/mperで入手できます。

要約(オリジナル)

Medical image segmentation aims to identify anatomical structures at the voxel-level. Segmentation accuracy relies on distinguishing voxel differences. Compared to advancements achieved in studies of the inter-class variance, the intra-class variance receives less attention. Moreover, traditional linear classifiers, limited by a single learnable weight per class, struggle to capture this finer distinction. To address the above challenges, we propose a Multi-Prototype-based Embedding Refinement method for semi-supervised medical image segmentation. Specifically, we design a multi-prototype-based classification strategy, rethinking the segmentation from the perspective of structural relationships between voxel embeddings. The intra-class variations are explored by clustering voxels along the distribution of multiple prototypes in each class. Next, we introduce a consistency constraint to alleviate the limitation of linear classifiers. This constraint integrates different classification granularities from a linear classifier and the proposed prototype-based classifier. In the thorough evaluation on two popular benchmarks, our method achieves superior performance compared with state-of-the-art methods. Code is available at https://github.com/Briley-byl123/MPER.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google