A Knowledge Distillation framework for Multi-Organ Segmentation of Medaka Fish in Tomographic Image

要約

形態学的アトラスは生物研究における重要なツールであり、最新のハイスループット コンピュータ断層撮影 (CT) 施設は、生物の全身高解像度体積画像を何百枚も生成できます。
ただし、これらのボリュームからアトラスを作成するには、正確な臓器セグメンテーションが必要です。
過去 10 年間で、機械学習のアプローチは画像セグメンテーション タスクで信じられないほどの結果を達成しましたが、トレーニングには大量の注釈付きデータが必要です。
この論文では、メダカの断層撮影画像における多臓器セグメンテーションのための自己訓練フレームワークを提案します。
事前トレーニング済みの教師モデルからの疑似ラベル付きデータを利用し、品質分類器を採用して疑似ラベル付きデータを改良します。
次に、ピクセル単位の知識蒸留法を導入して、疑似ラベル付きデータへの過剰適合を防ぎ、セグメンテーションのパフォーマンスを向上させます。
実験結果は、私たちの方法が、データセット全体で平均 Intersection over Union (IoU) を 5.9% 改善し、3 分の 1 のマークアップを使用しながら品質を維持できることを示しています。

要約(オリジナル)

Morphological atlases are an important tool in organismal studies, and modern high-throughput Computed Tomography (CT) facilities can produce hundreds of full-body high-resolution volumetric images of organisms. However, creating an atlas from these volumes requires accurate organ segmentation. In the last decade, machine learning approaches have achieved incredible results in image segmentation tasks, but they require large amounts of annotated data for training. In this paper, we propose a self-training framework for multi-organ segmentation in tomographic images of Medaka fish. We utilize the pseudo-labeled data from a pretrained Teacher model and adopt a Quality Classifier to refine the pseudo-labeled data. Then, we introduce a pixel-wise knowledge distillation method to prevent overfitting to the pseudo-labeled data and improve the segmentation performance. The experimental results demonstrate that our method improves mean Intersection over Union (IoU) by 5.9% on the full dataset and enables keeping the quality while using three times less markup.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google