ASLseg: Adapting SAM in the Loop for Semi-supervised Liver Tumor Segmentation

要約

肝腫瘍のセグメンテーションは、コンピューター支援診断、手術計画、予後評価に不可欠です。
ただし、高密度のアノテーションを含む大規模なデータセットを取得して維持するのは困難です。
半教師あり学習 (SSL) は、これらの課題に対処するための一般的な技術です。
最近、Segment Anything Model (SAM) は、一部の医療画像セグメンテーション タスクでは有望なパフォーマンスを示していますが、肝臓腫瘍のセグメンテーションではあまりパフォーマンスが良くありません。
この論文では、SAM を SSL 設定に効果的に適応させ、肝臓腫瘍のドメイン固有の知識と一般的な知識の両方を組み合わせることができる、ASLseg と呼ばれる新しい半教師ありフレームワークを提案します。
具体的には、特定の SSL パラダイムでトレーニングされたセグメンテーション モデルは、生成された擬似ラベルをプロンプトとして微調整された SAM に提供します。
次に、適応ネットワークを使用して SAM 予測を改良し、より高品質の疑似ラベルを生成します。
最後に、信頼できる擬似ラベルが選択され、反復トレーニング用のラベル付きセットが拡張されます。
LiTS データセットに関する広範な実験により、ASLseg の圧倒的なパフォーマンスが実証されました。

要約(オリジナル)

Liver tumor segmentation is essential for computer-aided diagnosis, surgical planning, and prognosis evaluation. However, obtaining and maintaining a large-scale dataset with dense annotations is challenging. Semi-Supervised Learning (SSL) is a common technique to address these challenges. Recently, Segment Anything Model (SAM) has shown promising performance in some medical image segmentation tasks, but it performs poorly for liver tumor segmentation. In this paper, we propose a novel semi-supervised framework, named ASLseg, which can effectively adapt the SAM to the SSL setting and combine both domain-specific and general knowledge of liver tumors. Specifically, the segmentation model trained with a specific SSL paradigm provides the generated pseudo-labels as prompts to the fine-tuned SAM. An adaptation network is then used to refine the SAM-predictions and generate higher-quality pseudo-labels. Finally, the reliable pseudo-labels are selected to expand the labeled set for iterative training. Extensive experiments on the LiTS dataset demonstrate overwhelming performance of our ASLseg.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google