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テクノロジー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、膨大な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に基づいています。
この目的を達成するために、我々は、対角階層整合性学習 (DiHC-Net) を使用した、堅牢な半教師あり医用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、相互一貫性により、1 つのモデルの中間予測と最終予測と他のモデルからのソフト擬似ラベルとの間に対角階層形式で新しい一貫性正則化が適用されます。
一連の実験により、私たちの単純なフレームワークの有効性が検証され、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 technologies. Nevertheless, its performance is predicated upon the costly process of manually annotating a vast amount of medical images. To this end, we propose a novel framework for robust semi-supervised medical image segmentation using diagonal hierarchical consistency learning (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, with mutual consistency, a novel consistency regularisation is enforced between one model’s intermediate and final prediction and soft pseudo labels from other models in a diagonal hierarchical fashion. A series of experiments verifies 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