자기 감독된 Mean Teacher를 이용한 반감독형 흉부 X선 분류

딥러닝 모델의 훈련은 일반적으로 효과적인 수렴과 일반화를 위해 대량의 주석된 데이터가 필요합니다. 그러나 전문 방사선과 의사들의 라벨링 작업이 필요한 관계로 고품질 주석을 얻는 것은 노동 집약적이고 비용이 많이 드는 과정입니다. 이에 따라, 비전문가가 라벨링한 이미지를 얻는 것보다 비라벨 이미지를 확보하는 것이 훨씬 덜 비싸기 때문에 의료 영상 분석에서 반監督 학습(semi-supervised learning)의 연구는 매우 중요합니다. 본질적으로, 반감독 방법은 대규모 비라벨 데이터 세트를 활용하여 소규모 라벨 이미지 세트만 사용하는 것보다 더 나은 훈련 수렴과 일반화를 가능하게 합니다. 본 논문에서는 자기 감독 평균 교사(self-supervised mean teacher) 사전 훈련과 반감독 미세 조정(fine-tuning)을 결합한 자기 감독 평균 교사 반감독 학습(Self-supervised Mean Teacher for Semi-supervised, S$^2$MTS$^2$)을 제안합니다. S$^2$MTS$^2$의 주요 혁신점은 긍정적인 쿼리와 키 특성의 무한한 쌍을 사용하여 평균 교사 표현(mean-teacher representation)을 개선하는 공동 대조 학습(joint contrastive learning) 기반의 자기 감독 평균 교사 사전 훈련입니다. 이후, 모델은 반감독 학습으로 훈련된 지수 이동 평균(exponential moving average) 교사 프레임워크를 사용하여 미세 조정됩니다. 우리는 Chest X-ray14와 CheXpert에서 다중 레이블 분류 문제 및 ISIC2018에서 다중 클래스 분류 문제에 대해 S$^2$MTS$^2$를 검증하였으며, 이 방법이 이전 최고 성능(SOTA) 반감독 학습 방법들보다 크게 우월함을 보여주었습니다.注: "反監督" 应为 "반감독"，这是韩语中正确的拼写。在正式的科技或学术写作中，使用正确的拼写非常重要。