CauSSL: kausalitätsbasiertes semi-supervised Learning für die medizinische Bildsegmentierung

Semi-supervised Learning (SSL) hat in jüngster Zeit erheblichen Erfolg bei der Segmentierung medizinischer Bilder gezeigt und die Daten-Effizienz bei begrenzten Annotationen erheblich verbessert. Dennoch bestehen in der Literatur weiterhin Bedenken hinsichtlich der theoretischen Fundierung und Erklärbarkeit von semi-supervised Segmentierungsmethoden, trotz ihrer empirischen Vorteile. Um dieses Problem zu untersuchen, schlagen wir in dieser Studie erstmals einen neuartigen kausalen Diagramm vor, der eine theoretische Grundlage für die gängigen Methoden der semi-supervised Segmentierung liefert. Unser kausaler Diagramm berücksichtigt zwei zusätzliche intermediäre Variablen, die in früheren Arbeiten vernachlässigt wurden. Aufbauend auf diesem vorgeschlagenen kausalen Modell entwickeln wir anschließend einen kausalitätsinspirierten SSL-Ansatz, namens CauSSL, der auf Co-Training-Frameworks basiert und die Leistung von SSL bei der Segmentierung medizinischer Bilder verbessert. Insbesondere weisen wir darauf hin, dass die algorithmische Unabhängigkeit zwischen den beiden Netzwerken oder Verzweigungen in SSL oft unterschätzt wird, obwohl sie entscheidend ist. Wir stellen eine neuartige statistische Quantifizierung der nicht berechenbaren algorithmischen Unabhängigkeit vor und stärken diese Unabhängigkeit zudem durch einen Minimax-Optimierungsprozess. Unser Ansatz lässt sich flexibel in verschiedene bestehende SSL-Methoden integrieren, um deren Leistung zu steigern. Wir haben unseren Ansatz an drei anspruchsvollen Aufgaben der Segmentierung medizinischer Bilder evaluiert, sowohl mit 2D- als auch mit 3D-Netzarchitekturen, und konnten konsistente Verbesserungen gegenüber den aktuellen State-of-the-Art-Methoden erzielen. Der Quellcode ist öffentlich verfügbar unter: https://github.com/JuzhengMiao/CauSSL.