Cross-supervised Dual Classifiers for Semi-supervised Medical Image Segmentation

要約

半教師あり医用画像セグメンテーションは、同等のパフォーマンスを達成しながらアノテーションの負担を大幅に軽減することで、大規模な医用画像分析に有望なソリューションを提供します。
この方法を採用すると、セグメンテーション プロセスを最適化し、トランスレーショナル調査中の臨床現場での実現可能性を高める高い可能性が示されます。
最近では、さまざまな共同トレーニング サブネットワークに基づくクロス教師ありトレーニングが、このタスクの標準パラダイムになっています。
それでも、サブネットワークの不一致とラベルノイズ抑制という重大な問題には、さらなる注意と、相互教師ありトレーニングの進歩が必要です。
この論文では、証拠分類器とバニラ分類器を含む二重分類器 (DC-Net) に基づくクロス教師あり学習フレームワークを提案します。
2 つの分類器は相補的な特性を示し、不一致を効果的に処理し、ラベルのないデータに対してより堅牢で正確な擬似ラベルを生成できます。
また、証拠分類器からの不確実性推定を交差教師ありトレーニングに組み込んで、エラー監視信号の悪影響を軽減します。
LA および膵臓 CT データセットに関する広範な実験により、DC-Net が半教師ありセグメンテーションの他の最先端の方法よりも優れていることが示されています。
コードは近日公開予定です。

要約(オリジナル)

Semi-supervised medical image segmentation offers a promising solution for large-scale medical image analysis by significantly reducing the annotation burden while achieving comparable performance. Employing this method exhibits a high degree of potential for optimizing the segmentation process and increasing its feasibility in clinical settings during translational investigations. Recently, cross-supervised training based on different co-training sub-networks has become a standard paradigm for this task. Still, the critical issues of sub-network disagreement and label-noise suppression require further attention and progress in cross-supervised training. This paper proposes a cross-supervised learning framework based on dual classifiers (DC-Net), including an evidential classifier and a vanilla classifier. The two classifiers exhibit complementary characteristics, enabling them to handle disagreement effectively and generate more robust and accurate pseudo-labels for unlabeled data. We also incorporate the uncertainty estimation from the evidential classifier into cross-supervised training to alleviate the negative effect of the error supervision signal. The extensive experiments on LA and Pancreas-CT dataset illustrate that DC-Net outperforms other state-of-the-art methods for semi-supervised segmentation. The code will be released soon.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google