Translation Consistent Semi-supervised Segmentation for 3D Medical Images

要約

タイトル：3D医療画像の翻訳一貫性半教師付きセグメンテーション

要約：
– 3D医療画像のセグメンテーション方法は成功しているが、アノテーションされたデータ量が多いため、費用がかかるという欠点がある。
– 半教師付き学習 (SSL) は、大量のアノテーションされていないデータと少量のアノテーションされたデータを用いてモデルをトレーニングすることで、この問題を解決する。
– SSLアプローチの中で最も成功しているものは、アノテーションされていないデータの変位ビューから得られたモデルの応答間の距離を最小化する一貫性学習に基づいている。
– これらの変位は、ビュー間の空間入力コンテキストを比較的一貫して保ち、モデルがセグメンテーションパターンを空間入力コンテキストから学習する可能性がある。
– 本論文では、Translation Consistent Co-training (TraCoCo) を紹介し、空間入力コンテキストを異なるように変位させることで、モデルが視覚的オブジェクトからセグメンテーションパターンを学習できるようにする。
– さらに、一般的に使用されている平均二乗誤差 (MSE) 半教師付き損失の代わりに、新しいCross-model confident Binary Cross entropy (CBC)損失を提案し、トレーニング収束を改善し、共同トレーニング擬似ラベリングの誤りに対する堅牢性を保つ。
– また、CutMixデータ増強を3D SSLに拡張して、汎化性をさらに改善する。
– TraCoCoは、Left Atrium (LA) およびBrain Tumor Segmentation (BRaTS19) データセットにおいて、異なるバックボーンで最新技術を示し、コードはhttps://github.com/yyliu01/TraCoCoで利用可能である。

要約(オリジナル)

3D medical image segmentation methods have been successful, but their dependence on large amounts of voxel-level annotated data is a disadvantage that needs to be addressed given the high cost to obtain such annotation. Semi-supervised learning (SSL) solve this issue by training models with a large unlabelled and a small labelled dataset. The most successful SSL approaches are based on consistency learning that minimises the distance between model responses obtained from perturbed views of the unlabelled data. These perturbations usually keep the spatial input context between views fairly consistent, which may cause the model to learn segmentation patterns from the spatial input contexts instead of the segmented objects. In this paper, we introduce the Translation Consistent Co-training (TraCoCo) which is a consistency learning SSL method that perturbs the input data views by varying their spatial input context, allowing the model to learn segmentation patterns from visual objects. Furthermore, we propose the replacement of the commonly used mean squared error (MSE) semi-supervised loss by a new Cross-model confident Binary Cross entropy (CBC) loss, which improves training convergence and keeps the robustness to co-training pseudo-labelling mistakes. We also extend CutMix augmentation to 3D SSL to further improve generalisation. Our TraCoCo shows state-of-the-art results for the Left Atrium (LA) and Brain Tumor Segmentation (BRaTS19) datasets with different backbones. Our code is available at https://github.com/yyliu01/TraCoCo.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI