医用画像セグメンテーションは,平均教師のフレームワークによる二重解読器の相互学習を使用します
Juan Zhang1,2, Gaoqiang Jiang1,2, Zhongwen Li3
1National Engineering Research Center of Ophthalmology and Optometry, Eye Hospital, Wenzhou Medical University, Wenzhou, 325027, China.
Pattern recognition
|August 20, 2025
まとめ
この研究は,医療画像セグメンテーションのための新しい半監督学習方法であるデュアルデコーダー相互学習 (DDMT) を導入します. DDMTは,限定されたラベルデータと豊富なラベルのないデータを効果的に使用することによって,注釈の努力を大幅に削減します.
科学分野:
- 医学画像分析
- ディープラーニング
- コンピュータビジョン
背景:
- 医療用画像の正確なセグメンテーションは,臨床応用において極めて重要です.
- 医学画像のピクセルレベルでの 手動のアノテーションは 時間と労力を要するものです
- ディープラーニングモデルは,最大限のパフォーマンスを実現するために,大きなアノテーションされたデータセットを必要とします.
研究 の 目的:
- 手動のアノテーションの努力を減らすため,新しい半監督セグメンテーション方法を開発する.
- 細分化タスクにおけるディープラーニングモデルの安定性と形状の一貫性を向上させる.
- ラベル付きの画像が限られ,ラベルが付いていない画像が豊富で,有望なセグメンテーションパフォーマンスを達成します.
主な方法:
- デュアルデコーダー相互学習 (DDMT) を導入し,半監督セグメンテーション方法である.
- モデルの安定性を高めるために組み込まれた平滑指数移動平均 (sEMA)
- 整合的な形状一貫性制約 (SCC) は,解読器の間で一貫した形状学習を可能にします.
主要な成果:
- DDMTは,限られたラベルデータで有望なセグメンテーションパフォーマンスを示しました.
- この方法は最新の 半監督学習法よりも ずっと優れています
- 左心室,臓,光ディスクのデータセットでの実験で DDMTの有効性が確認されました.
結論:
- DDMTは,医療画像セグメンテーションのマニュアルアノテーションを減らすための効果的なソリューションを提供します.
- 提案された方法は,モデルの安定性と形状の一貫性を高めます.
- DDMTは,正確な画像セグメンテーションを必要とする臨床アプリケーションの大きな可能性を示している.
