Autosupervisión en cascada para avanzar en la segmentación de resonancia magnética cardíaca en regímenes de datos bajos

Área de la Ciencia:

• Análisis de imágenes médicas
• Aprendizaje profundo
• Imágenes cardiovasculares

Sus antecedentes:

• El aprendizaje profundo supervisado para la segmentación de imágenes médicas requiere extensos datos etiquetados, cuya adquisición es costosa y requiere mucho tiempo, especialmente para las anotaciones 3D a nivel de píxeles.
• Los datos etiquetados limitados restringen el rendimiento del modelo en tareas de segmentación de imágenes médicas.
• Los datos sin etiqueta son a menudo abundantes y se pueden aprovechar a través del aprendizaje semi o auto-supervisado (SSL) para mejorar la capacitación del modelo.

Objetivo del estudio:

• Investigar y comparar estrategias SSL populares, incluida la consistencia de la transformación, el estudiante-maestro y el pseudoetiquetado, para la segmentación de resonancia magnética cardíaca.
• Evaluar la eficacia de estos métodos SSL, individualmente y en combinación, bajo escenarios de datos etiquetados limitados.
• Proponer y validar una nueva metodología de auto-supervisión en cascada que combine pseudo-etiquetado y un modelo en cascada de estudiante-maestro.

Principales métodos:

• Evaluación de la consistencia de la transformación, el estudiante y el profesor, y las estrategias de pseudoetiquetado SSL en conjuntos de datos de resonancia magnética cardíaca 2D y 3D (ACDC, MMWHS).
• Evaluación del rendimiento en varios regímenes de datos bajos con cantidades decrecientes de datos de capacitación etiquetados.
• Implementación de un enfoque de auto-supervisión en cascada que integra el pseudo-etiquetado y un modelo de auto-supervisión en cascada de estudiante-maestro.

Principales resultados:

• Todos los métodos SSL investigados superaron la línea de base supervisada y los enfoques auto-supervisados de vanguardia existentes en todos los escenarios.
• El método de auto-supervisión en cascada propuesto logró mejoras significativas en el coeficiente de similitud de dados (DSC) del 10,17% (ACDC) y del 6,72% (MMWHS) con respecto al enfoque supervisado de datos bajos en el régimen de datos muy bajos.
• El método propuesto redujo sustancialmente la brecha de rendimiento en comparación con los modelos totalmente supervisados, lo que demuestra la eficacia de la incorporación de datos no etiquetados.

Conclusiones:

• La auto-supervisión en cascada, que combina el pseudo-etiquetado y un modelo en cascada de estudiante-maestro, es la metodología más efectiva para la segmentación de resonancia magnética cardíaca.
• El aprovechamiento de datos sin etiqueta a través de SSL es constantemente beneficioso para mejorar la precisión de la segmentación cuando los datos etiquetados son escasos.
• Los hallazgos destacan el potencial de SSL para superar las limitaciones de datos en el análisis de imágenes médicas y mejorar las aplicaciones clínicas.