17日前

SDCL:半教師付き医療画像セグメンテーションにおける学生の乖離を考慮した補正学習

Bentao Song, Qingfeng Wang
SDCL:半教師付き医療画像セグメンテーションにおける学生の乖離を考慮した補正学習
要約

半教師あり医療画像セグメンテーション(SSMIS)は、限られた医療ラベル付きデータという課題を緩和する可能性を示している。しかし、誤った擬似ラベルの影響により、一般的に用いられる教師-生徒型のSSMIS手法では、確認バイアスや認知バイアスが問題となることがある。本研究では、この課題に対処するため、Mean Teacherアプローチを改善し、二つの生徒モデルと一つの学習不能な教師モデルを有する「学生差分情報に基づく補正学習(Students Discrepancy-Informed Correction Learning, SDCL)」フレームワークを提案する。SDCLは、二つの生徒モデル間のセグメンテーション差異を活用し、自己補正学習を導く。その本質は、セグメンテーションの差異が生じる領域を潜在的なバイアス領域として特定し、その領域においてモデルが正しい認識を見直し、自身のバイアスを修正するよう促すことにある。継続的なレビューと修正を可能にするため、正しいセグメンテーションボクセル間の距離を最小化する補正損失関数と、誤ったセグメンテーションボクセルのエントロピーを最大化する補正損失関数の二種類を用いる。本研究では、3つの公開医療画像データセット(3次元データセット2つ:CTおよびMRI、2次元データセット1つ:MRI)を用いた実験を行った。その結果、SDCLは、膵臓(Pancreas)、左心室(LA)、ACDCデータセットにおいて、それぞれDiceスコアで現在の最先端(SOTA)手法を2.57%、3.04%、2.34%上回った。さらに、ACDCデータセットでは、本手法の精度が完全教師あり学習法とほぼ同等であり、膵臓およびLAデータセットでは、完全教師あり学習法を上回る性能を達成した。コードは以下のURLから公開されている:\url{https://github.com/pascalcpp/SDCL}。