低データレジムの心臓MRIセグメンテーションを進めるためのカスケード式自己監視

科学分野:

• 医学画像分析
• 深層学習
• 心血管イメージング

背景:

• 医療画像セグメンテーションのための監督されたディープラーニングは,特にピクセルレベルの3Dアノテーションでは,高価で時間がかかる広範なラベルデータが必要です.
• メディカル画像セグメンテーションのタスクにおけるモデルのパフォーマンスを制限します.
• 標識されていないデータはしばしば豊富で,モデルトレーニングを強化するために,半または自己監督学習 (SSL) を利用することができます.

研究 の 目的:

• 心臓のMRIセグメンテーションのためのトランスフォーメーションコンシスタンシー,学生-教師,シュードラベルを含む一般的なSSL戦略を調査し比較する.
• これらのSSLメソッドの有効性を,限定されたラベルデータシナリオの下で,個別に,そして組み合わせて評価する.
• 擬似ラベリングとカスケードされた学生-教師モデルを組み合わせた新しいカスケードされた自己監督方法論を提案し,検証する.

主な方法:

• 2Dと3Dの心臓MRIデータセット (ACDC,MMWHS) のトランスフォーメーション一貫性,学生-教師,および偽標識SSL戦略の評価.
• レーベルの付いたトレーニングデータの量が減少する様々なデータレジムのパフォーマンスの評価.
• 擬似ラベリングと自己監督の学生-教師モデルを統合したカスケード型自己監督アプローチの実施.

主要な成果:

• すべてのシナリオにおいて,調査されたSSL方法は,監督されたベースラインと既存の最先端の自己監督されたアプローチを上回った.
• 提案されたカスケード式自己監視法では,非常に低いラベルのデータシステムでの低データ監視方法よりも10.17% (ACDC) と6.72% (MMWHS) のダイス類似度係数 (DSC) を大幅に改善しました.
• 提案された方法は,完全に監視されたモデルと比較して性能のギャップを大幅に削減し,ラベルを付けていないデータを組み込むことの有効性を実証しました.

結論:

• カーディオラベルとカーディオラベルの学生-教師モデルを組み合わせたカーディオラベル自己監視は,心臓MRIセグメンテーションの最も効果的な方法論です.
• ラベルが付いていないデータをSSLで利用することは,ラベルが付いているデータが少ない場合,セグメンテーションの精度を改善するために一貫して有益です.
• この発見は,SSLが医療画像分析におけるデータ制限を克服し,臨床応用を強化する可能性を強調しています.