半教師あり医療画像セグメンテーションにおける多様な代替学習

半教師あり医療画像セグメンテーションの研究は、限られたラベル付きデータでモデルを学習する可能性を示している。しかし、現在の主流である教師-生徒フレームワークに基づくアプローチは、確認バイアス（confirmation bias）に悩まされることがある。この課題に対処するため、本研究では教師-生徒フレームワークにおける「交替的多様な指導（Alternate Diverse Teaching, AD-MT）」を提案する。AD-MTは、1つの学生モデルと、周期的かつランダムに交替してモーメンタム更新される2つのトレーニング不可な教師モデルを用いる。多様な指導から生じる確認バイアスを軽減するため、AD-MTの核となるのは、2つの新規モジュールである：「ランダム周期的交替（Random Periodic Alternate, RPA）更新モジュール」と「矛盾対抗モジュール（Conflict-Combating Module, CCM）」である。RPAモジュールは、補完的なデータバッチ、異なるデータ拡張手法、およびランダムな切り替え期間を組み合わせて、異なる指導視点からの多様な推論を促進する交替的な更新プロセスをスケジューリングする。一方、CCMモジュールはエントロピーに基づくアンサンブル戦略を採用し、教師間の一致する予測と矛盾する予測の両方からモデルが学習できるようにする。実験結果から、AD-MTが2次元および3次元の医療画像セグメンテーションベンチマークにおいて、さまざまな半教師あり設定において優れた効果と優位性を示したことが確認された。