Semi-Supervised and Self-Supervised Collaborative Learning for Prostate 3D MR Image Segmentation

要約

体積磁気共鳴 (MR) 画像セグメンテーションは、多くの臨床応用において重要な役割を果たします。
ディープ ラーニング (DL) は最近、さまざまな画像セグメンテーション タスクで最先端または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、DL モデルのトレーニングのためにボリューム MR 画像に手動で注釈を付けるには、労力と時間がかかります。
この作業では、前立腺の 3D MR 画像セグメンテーションのための半教師ありおよび自己教師ありの共同学習フレームワークをトレーニングすることを目的としていますが、各ボリューム MR 画像の中央スライスに対してグラウンド トゥルース アノテーションが提供される非常にまばらなアノテーションを使用します。
具体的には、半教師あり学習と自己教師あり学習の方法を使用して、疑似ラベルの 2 つの独立したセットを生成します。
これらの疑似ラベルは、ブール演算によって融合され、より信頼性の高い疑似ラベル セットが抽出されます。
次に、手動またはネットワークで自己生成されたラベルが付いた画像を使用して、ターゲット ボリューム抽出用のセグメンテーション モデルをトレーニングします。
公開されている前立腺 MR 画像データセットの実験結果は、必要な注釈作業が大幅に少なくなる一方で、フレームワークが非常に有望なセグメンテーション結果を生成することを示しています。
提案されたフレームワークは、高密度の注釈を含むトレーニング データを取得するのが難しい場合に、臨床アプリケーションで非常に役立ちます。

要約(オリジナル)

Volumetric magnetic resonance (MR) image segmentation plays an important role in many clinical applications. Deep learning (DL) has recently achieved state-of-the-art or even human-level performance on various image segmentation tasks. Nevertheless, manually annotating volumetric MR images for DL model training is labor-exhaustive and time-consuming. In this work, we aim to train a semi-supervised and self-supervised collaborative learning framework for prostate 3D MR image segmentation while using extremely sparse annotations, for which the ground truth annotations are provided for just the central slice of each volumetric MR image. Specifically, semi-supervised learning and self-supervised learning methods are used to generate two independent sets of pseudo labels. These pseudo labels are then fused by Boolean operation to extract a more confident pseudo label set. The images with either manual or network self-generated labels are then employed to train a segmentation model for target volume extraction. Experimental results on a publicly available prostate MR image dataset demonstrate that, while requiring significantly less annotation effort, our framework generates very encouraging segmentation results. The proposed framework is very useful in clinical applications when training data with dense annotations are difficult to obtain.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google