3D医療画像のセグメンテーションにおける基礎モデルの擬似ラベルによる特徴の差別化
Ge Jin1, Qian Zhang2, Yong Cheng2
1Jiangsu Open University, School of Information Engineering, No. 399 Jiangdong North Road, Nanjing, 210000, Jiangsu, China; Key Laboratory of Specialty Fiber Optical Access Networks, Joint International Research Laboratory of Specialty Fiber Optics and Advanced Communication, Shanghai Institute for Advanced Communication and Data Science, School of Communication and Information Engineering, Shanghai University, No. 99 Shangda Road, Shanghai, 200444, Shanghai, China.
まとめ
この研究は,3D医療画像のセグメンテーションを改善するための新しい枠組み (PESF) を導入し,データセットを拡張するために擬似ラベルを使用し,特に小規模な構造の正確性を高めるために信頼フィルタリングとカリキュラム学習を使用します.
科学分野:
- 医学画像分析
- 医療における人工知能
- コンピュータビジョン
背景:
- 3D医療画像のセグメンテーションには,作成が困難で時間がかかる大きな注釈データセットが必要です.
- 擬似ラベルはデータセットを拡張できますが,騒々しいラベルを導入し,より小さな構造のセグメンテーションに悪影響を及ぼします.
- 既存の方法は3D医療画像の アノテーションの規模と複雑さで 苦労しています
研究 の 目的:
- 3D医療画像のための強固な擬似ラベル強化セグメンテーションフレームワーク (PESF) を開発する.
- 多様な解剖学的構造のセグメンテーション性能を改善するために,騒々しい擬似ラベルの課題に取り組む.
- カリキュラム学習と信頼フィルタリングを使用してセグメンテーションモデルの一般化能力を高める.
主な方法:
- 新しい臓器カテゴリーのラベルを生成するために,事前に訓練された基礎モデルを使用して,擬似ラベルアプローチを実装しました.
- 機能と信頼予測モジュールを使用して,低品質の偽ラベルを削除するための信頼に基づくフィルタリングメカニズムを開発しました.
- ガウスのランダムな乱による統合されたカリキュラム学習により,漸進的で体系的な訓練サンプル導入が可能となる.
主要な成果:
- 提案された PESF フレームワークは,複数のデータセット (Amos,FLARE22,WORD,BTCV) のベースラインの SAM-Med3D よりも平均的な Dice Similarity Coefficient (DSC) を 6.8%改善しました.
- 臓や食道のような難解な解剖学的構造を 分割する際に 顕著な性能向上が見られた.
- 理論的な分析では,偽のラベル付きのクラスは,埋め込み空間における特徴の差別を高めることが確認されました.
結論:
- PESFはノイズドラベルを効果的に軽減し,3D医療画像セグメンテーションの精度を向上させます.
- このフレームワークは,様々なサイズと形を持つ臓器に優越した汎用性を示しています.
- PESFは,限られた注釈データで医療画像セグメンテーションの基礎モデルを開発するための有望なソリューションを提供します.
