DLUNet: Semi-supervised Learning based Dual-Light UNet for Multi-organ Segmentation

要約

腹部多臓器の手作業によるグラウンド トゥルースは、労働集約的です。
CTデータを最大限に活用するために、半教師あり学習ベースのデュアルライトUNetを開発しました。
トレーニング フェーズでは、一貫性のある学習を使用することで、ラベル データとラベルなしデータを同時にフルに活用する 2 つの軽量 UNet で構成されます。
さらに、計算コストを削減するために、分離可能な畳み込みと残差連結がライトUNetに導入されました。
さらに、パフォーマンスを向上させるために、堅牢なセグメンテーション損失が適用されました。
推論フェーズでは、軽量の UNet のみが使用され、時間コストが低く、GPU メモリの使用量が少なくて済みます。
検証セットにおけるこのメソッドの平均 DSC は 0.8718 です。
コードは https://github.com/laihaoran/Semi-SupervisednnUNet で入手できます。

要約(オリジナル)

The manual ground truth of abdominal multi-organ is labor-intensive. In order to make full use of CT data, we developed a semi-supervised learning based dual-light UNet. In the training phase, it consists of two light UNets, which make full use of label and unlabeled data simultaneously by using consistent-based learning. Moreover, separable convolution and residual concatenation was introduced light UNet to reduce the computational cost. Further, a robust segmentation loss was applied to improve the performance. In the inference phase, only a light UNet is used, which required low time cost and less GPU memory utilization. The average DSC of this method in the validation set is 0.8718. The code is available in https://github.com/laihaoran/Semi-SupervisednnUNet.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google