RCPS: Rectified Contrastive Pseudo Supervision for Semi-Supervised Medical Image Segmentation

要約

医用画像のセグメンテーション方法は、通常、モデルのパフォーマンスを保証するために完全に教師ありとして設計されています。これには、高コストで手間のかかる大量の専門家による注釈付きサンプルが必要です。
半教師付き画像セグメンテーションは、限られたラベル付き画像とともに多数のラベルなし画像を利用することで、問題を軽減できます。
ただし、多数のラベルのない画像から堅牢な表現を学習することは、疑似ラベルの潜在的なノイズと特徴空間の不十分なクラス分離可能性により、現在の半教師付きセグメンテーションアプローチのパフォーマンスを損なうため、依然として困難です。
上記の問題に対処するために、修正された疑似監督とボクセルレベルの対照学習を組み合わせて半教師ありセグメンテーションの有効性を向上させる、修正対照疑似監督 (RCPS) と呼ばれる新しい半教師ありセグメンテーション方法を提案します。
特に、疑似ラベルのノイズの影響を軽減するために、不確実性推定と一貫性正則化に基づいた疑似監視法の新しい整流戦略を設計します。
さらに、ネットワークに双方向のボクセルコントラスト損失を導入して、特徴空間でのクラス内一貫性とクラス間コントラストを確保し、セグメンテーションでのクラス分離性を高めます。
提案された RCPS セグメンテーション方法は、2 つの公開データセットと社内の臨床データセットで検証されています。
実験結果は、半教師付き医用画像セグメンテーションにおける最先端の方法と比較して、提案された方法がより良いセグメンテーション性能をもたらすことを明らかにしています。
ソース コードは https://github.com/hsiangyuzhao/RCPS で入手できます。

要約(オリジナル)

Medical image segmentation methods are generally designed as fully-supervised to guarantee model performance, which require a significant amount of expert annotated samples that are high-cost and laborious. Semi-supervised image segmentation can alleviate the problem by utilizing a large number of unlabeled images along with limited labeled images. However, learning a robust representation from numerous unlabeled images remains challenging due to potential noise in pseudo labels and insufficient class separability in feature space, which undermines the performance of current semi-supervised segmentation approaches. To address the issues above, we propose a novel semi-supervised segmentation method named as Rectified Contrastive Pseudo Supervision (RCPS), which combines a rectified pseudo supervision and voxel-level contrastive learning to improve the effectiveness of semi-supervised segmentation. Particularly, we design a novel rectification strategy for the pseudo supervision method based on uncertainty estimation and consistency regularization to reduce the noise influence in pseudo labels. Furthermore, we introduce a bidirectional voxel contrastive loss to the network to ensure intra-class consistency and inter-class contrast in feature space, which increases class separability in the segmentation. The proposed RCPS segmentation method has been validated on two public datasets and an in-house clinical dataset. Experimental results reveal that the proposed method yields better segmentation performance compared with the state-of-the-art methods in semi-supervised medical image segmentation. The source code is available at https://github.com/hsiangyuzhao/RCPS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google