RAIL: Region-Aware Instructive Learning for Semi-Supervised Tooth Segmentation in CBCT

要約

半教師の学習は、ラベル付きデータが最小限であるCBCTスキャンからの3D歯のセグメンテーションの説得力のあるアプローチとなっています。
ただし、既存の方法は依然として2つの永続的な課題に直面しています。監督されたトレーニング中の構造的に曖昧なまたは誤ったラベル付けされた地域における限られた矯正監督と、無効なデータの信頼できない擬似ラベルによって引き起こされるパフォーマンスの劣化です。
これらの問題に対処するために、デュアルグループのデュアル学生の半学生のフレームワークである地域認識の有益な学習（Rail）を提案します。
各グループには、共有教師ネットワークに導かれた2つの学生モデルが含まれています。
2つのグループ間でトレーニングを交互に行うことにより、Railはグループ間の知識移転と共同の地域認識指導を促進しながら、単一モデルの特性に過剰適合を減らします。
具体的には、Railは2つの有益なメカニズムを導入します。
不一致に焦点を当てた監督（DFS）コントローラーは、学生の出力がグラウンドトゥルースと最高の学生の両方から分かれている領域内でのみ予測を指示することにより、監督された学習を改善し、それによって構造的に曖昧または誤った領域に監督を集中します。
監視されていない段階では、信頼認識学習（CAL）変調器は、モデルの確実性が高い地域での一致を強化し、トレーニング中の低自信の予測の効果を減らします。
これにより、モデルが不安定なパターンを学習するのを防ぎ、擬似ラベルの全体的な信頼性を向上させるのに役立ちます。
4つのCBCT歯のセグメンテーションデータセットに関する広範な実験は、鉄道が限られた注釈の下で最先端の方法を上回ることを示しています。
私たちのコードは、https：//github.com/tournesol-saturday/railで入手できます。

要約(オリジナル)

Semi-supervised learning has become a compelling approach for 3D tooth segmentation from CBCT scans, where labeled data is minimal. However, existing methods still face two persistent challenges: limited corrective supervision in structurally ambiguous or mislabeled regions during supervised training and performance degradation caused by unreliable pseudo-labels on unlabeled data. To address these problems, we propose Region-Aware Instructive Learning (RAIL), a dual-group dual-student, semi-supervised framework. Each group contains two student models guided by a shared teacher network. By alternating training between the two groups, RAIL promotes intergroup knowledge transfer and collaborative region-aware instruction while reducing overfitting to the characteristics of any single model. Specifically, RAIL introduces two instructive mechanisms. Disagreement-Focused Supervision (DFS) Controller improves supervised learning by instructing predictions only within areas where student outputs diverge from both ground truth and the best student, thereby concentrating supervision on structurally ambiguous or mislabeled areas. In the unsupervised phase, Confidence-Aware Learning (CAL) Modulator reinforces agreement in regions with high model certainty while reducing the effect of low-confidence predictions during training. This helps prevent our model from learning unstable patterns and improves the overall reliability of pseudo-labels. Extensive experiments on four CBCT tooth segmentation datasets show that RAIL surpasses state-of-the-art methods under limited annotation. Our code will be available at https://github.com/Tournesol-Saturday/RAIL.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google