3D Cross Pseudo Supervision (3D-CPS): A semi-supervised nnU-Net architecture for abdominal organ segmentation

要約

精選された大規模なデータセットが必要ですが、医療画像に注釈を付けるのは、時間と労力と費用がかかるプロセスです。
そのため、最近の教師あり手法では、大量のラベルなしデータを利用することに重点が置かれています。
ただし、これを行うのは困難な作業です。
この問題に対処するために、新しい 3D Cross Pseudo Supervision (3D-CPS) メソッドを提案します。これは、Cross Pseudo Supervision メソッドを使用した nnU-Net に基づく半教師付きネットワーク アーキテクチャです。
新しい nnU-Net ベースの前処理方法を設計し、推論段階で強制間隔設定戦略を採用して、推論時間を高速化します。
さらに、各エポックで線形性を拡張するように半教師付き損失の重みを設定して、初期のトレーニング プロセスでモデルが低品質の疑似ラベルにならないようにしました。
提案された方法は、MICCAI FLARE2022 検証セット (20 ケース) で、0.881 の平均サイコロ類似度 (DSC) と 0.913 の平均正規化表面距離 (NSD) を達成します。

要約(オリジナル)

Large curated datasets are necessary, but annotating medical images is a time-consuming, laborious, and expensive process. Therefore, recent supervised methods are focusing on utilizing a large amount of unlabeled data. However, to do so, is a challenging task. To address this problem, we propose a new 3D Cross Pseudo Supervision (3D-CPS) method, a semi-supervised network architecture based on nnU-Net with the Cross Pseudo Supervision method. We design a new nnU-Net based preprocessing method and adopt the forced spacing settings strategy in the inference stage to speed up the inference time. In addition, we set the semi-supervised loss weights to expand linearity with each epoch to prevent the model from low-quality pseudo-labels in the early training process. Our proposed method achieves an average dice similarity coefficient (DSC) of 0.881 and an average normalized surface distance (NSD) of 0.913 on the MICCAI FLARE2022 validation set (20 cases).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google