Selbstüberwachter Mean-Teacher für halbüberwachte Klassifikation von Brust-Röntgenbildern

Die Ausbildung von tiefen Lernmodellen erfordert im Allgemeinen eine große Menge an annotierten Daten für eine effektive Konvergenz und Generalisierung. Die Erstellung hochwertiger Annotationen ist jedoch aufgrund der Notwendigkeit, Expertenradiologen für die Beschriftungsaufgabe zu beschäftigen, ein zeitaufwändiger und teurer Prozess. Daher ist die Untersuchung des semiaufvisierten Lernens in der medizinischen Bildanalyse von entscheidender Bedeutung, da es viel weniger kostspielig ist, unbeschriftete Bilder zu erhalten als solche, die von Expertenradiologen beschriftet wurden. Im Wesentlichen nutzen semiaufvisierte Methoden große Mengen an unbeschrifteten Daten, um eine bessere Trainingskonvergenz und Generalisierung zu ermöglichen als dies mit nur der kleinen Menge an beschrifteten Bildern möglich wäre. In dieser Arbeit schlagen wir das selbstaufvisierte Mean-Teacher-Verfahren für semiaufvisiertes Lernen (S$^2$MTS$^2$) vor, das selbstaufvisiertes Mean-Teacher-Vortraining mit semiaufvisiertem Feinjustierungsprozess kombiniert. Die Hauptinnovation von S$^2$MTS$^2$ besteht in dem selbstaufvisierten Mean-Teacher-Vortraining basierend auf gemeinsam kontrastivem Lernen (joint contrastive learning), das durch die Verwendung einer unendlichen Anzahl von positiven Abfrage- und Schlüsselmerkmalspaaren die Mean-Teacher-Darstellung verbessert. Das Modell wird dann unter Verwendung des exponentiellen gleitenden Durchschnittslehrer-Frameworks (exponential moving average teacher framework), das mit semiaufvisiertem Lernen trainiert wurde, feinjustiert. Wir validieren S$^2$MTS$^2$ anhand von Mehrfachbezeichnungs-Klassifikationsproblemen aus Chest X-ray14 und CheXpert sowie anhand von Mehrklassen-Klassifikationen aus ISIC2018, wo wir zeigen, dass es deutlich besser abschneidet als bisherige state-of-the-art Methoden des semiaufvisierten Lernens.