Une Méthode de Régularisation de Cohérence Embarrassamment Simple pour le Segmentation d'Images Médicales Semi-Supervisée

La pénurie d'annotations au niveau des pixels est un problème récurrent dans les tâches de segmentation d'images médicales. Dans cet article, nous présentons une nouvelle stratégie de régularisation impliquant un mélange basé sur l'interpolation pour la segmentation d'images médicales semi-supervisée. La méthode proposée est une stratégie de régularisation de cohérence innovante qui encourage la segmentation de l'interpolation de deux données non étiquetées à être cohérente avec l'interpolation des cartes de segmentation de ces données. Cette méthode représente un paradigme spécifique de régularisation adaptative aux données, qui aide à minimiser le surapprentissage des données étiquetées sous des valeurs de confiance élevées. La méthode proposée présente un avantage par rapport aux modèles adverses et génératifs car elle ne nécessite aucun calcul supplémentaire. Après évaluation sur deux ensembles de données IRM publiquement disponibles : ACDC et MMWHS, les résultats expérimentaux démontrent la supériorité de la méthode proposée par rapport aux modèles semi-supervisés existants. Le code est disponible à l'adresse suivante : https://github.com/hritam-98/ICT-MedSeg