FixMatchSeg: Fixing FixMatch for Semi-Supervised Semantic Segmentation

要約

セマンティックな医療画像セグメンテーションのための教師ありディープ ラーニング手法は、ここ数年でますます一般的になっています。
教師付きセグメンテーションは、非常に少数のラベル付き画像と多数のラベルなし画像が使用される魅力的なソリューションです。
ここ数年で、分類問題の教師あり方法と半教師あり方法の間のギャップは劇的に縮小されましたが、セグメンテーション方法にはまだ大きなギャップが残っています。
この作業では、最先端の半教師付き分類方法 FixMatch をセマンティック セグメンテーション タスクに適応させ、FixMatchSeg を導入します。
FixMatchSeg は、心臓超音波、胸部 X 線、網膜眼底画像、および皮膚画像という、解剖学的構造とモダリティが異なる 4 つの公開されているデータセットで評価されます。
ラベルがほとんどない場合、FixMatchSeg は強力な教師ありベースラインと同等のパフォーマンスを示します。

要約(オリジナル)

Supervised deep learning methods for semantic medical image segmentation are getting increasingly popular in the past few years.However, in resource constrained settings, getting large number of annotated images is very difficult as it mostly requires experts, is expensive and time-consuming.Semi-supervised segmentation can be an attractive solution where a very few labeled images are used along with a large number of unlabeled ones. While the gap between supervised and semi-supervised methods have been dramatically reduced for classification problems in the past couple of years, there still remains a larger gap in segmentation methods. In this work, we adapt a state-of-the-art semi-supervised classification method FixMatch to semantic segmentation task, introducing FixMatchSeg. FixMatchSeg is evaluated in four different publicly available datasets of different anatomy and different modality: cardiac ultrasound, chest X-ray, retinal fundus image, and skin images. When there are few labels, we show that FixMatchSeg performs on par with strong supervised baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google