SDCL : Apprentissage corrigé informé par les écarts pour la segmentation d'images médicales semi-supervisée

La segmentation d’images médicales semi-supervisée (SSMIS) a démontré un potentiel significatif pour atténuer le problème de la faible disponibilité de données médicales étiquetées. Toutefois, les biais de confirmation et cognitifs peuvent affecter les méthodes courantes basées sur le modèle enseignant-étudiant en raison d’étiquettes pseudo-étiquetées erronées. Pour relever ce défi, nous améliorons l’approche Mean Teacher et proposons un cadre appelé Students Discrepancy-Informed Correction Learning (SDCL), comprenant deux étudiants et un enseignant non entraînable. Ce cadre exploite la différence de segmentation entre les deux étudiants pour guider un apprentissage auto-correctif. L’essence de SDCL réside dans l’identification des régions de discordance de segmentation comme zones potentielles de biais, afin d’encourager le modèle à réviser sa cognition correcte et à corriger ses propres biais dans ces zones. Afin de faciliter l’apprentissage de correction par révision continue et rectification itérative, deux fonctions de perte de correction sont utilisées : l’une minimise la distance entre les voxels correctement segmentés, tandis que l’autre maximise l’entropie des voxels mal segmentés. Nous avons mené des expériences sur trois jeux de données publiques d’images médicales : deux jeux 3D (tomodensitométrie et IRM) et un jeu 2D (IRM). Les résultats montrent que notre méthode SDCL dépasse les approches de l’état de l’art (SOTA) actuelles respectivement de 2,57 %, 3,04 % et 2,34 % en score Dice sur les jeux de données Pancreas, LA et ACDC. En outre, la précision de notre méthode est très proche de celle de la méthode entièrement supervisée sur le jeu de données ACDC, et même supérieure à celle-ci sur les jeux Pancreas et LA. (Code disponible à l’adresse \url{https://github.com/pascalcpp/SDCL}).