Diagonal Hierarchical Consistency Learning for Semi-supervised Medical Image Segmentation

要約

多くの臨床アプリケーションに不可欠な医療画像のセグメンテーションは、データ駆動型の深層学習技術によってほぼ人間レベルのパフォーマンスを達成しました。
それにもかかわらず、そのパフォーマンスは、大量の医療画像に手動で注釈を付けるというコストのかかるプロセスを前提としています。
この目的を達成するために、我々は、対角階層整合性 (DiHC-Net) を使用した堅牢な半教師あり医療画像セグメンテーションのための新しいフレームワークを提案します。
まず、同一のマルチスケール アーキテクチャを持つ複数のサブモデルで構成されていますが、アップサンプリング レイヤーや正規化レイヤーなどの異なるサブレイヤーを備えています。
第 2 に、1 つのモデルの中間予測と最終予測と他のモデルのソフト擬似ラベルの間に、斜め階層方式で新しい対角階層の一貫性が適用されます。
実験結果は、私たちの単純なフレームワークの有効性を検証し、公開されている左心房 (LA) データセットに対するこれまでのすべてのアプローチを上回っています。

要約(オリジナル)

Medical image segmentation, which is essential for many clinical applications, has achieved almost human-level performance via data-driven deep learning techniques. Nevertheless, its performance is predicated on the costly process of manually annotating a large amount of medical images. To this end, we propose a novel framework for robust semi-supervised medical image segmentation using diagonal hierarchical consistency (DiHC-Net). First, it is composed of multiple sub-models with identical multi-scale architecture but with distinct sub-layers, such as up-sampling and normalisation layers. Second, a novel diagonal hierarchical consistency is enforced between one model’s intermediate and final prediction and other models’ soft pseudo labels in a diagonal hierarchical fashion. Experimental results verify the efficacy of our simple framework, outperforming all previous approaches on public Left Atrium (LA) dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google