Semi-supervised medical image segmentationのためのチャネル空間階層的敵対的摂動

背景:

• 半教師あり医用画像セグメンテーション（SSMIS）では、一貫性正則化がよく使用されます。
• 既存の方法は、均一な摂動による確認バイアスと非効率的な知識伝達に悩まされています。
• これにより、医用画像解析におけるモデルの性能と一般化が制限されます。

研究 の 目的:

• SSMISのための新しいチャネル空間階層的敵対的摂動スキームを提案すること。
• 確認バイアスに対処し、ラベル付きデータからラベルなしデータへの知識伝播を改善すること。
• 医用画像セグメンテーションモデルの精度と一般化を向上させること。

主な方法:

• 決定境界を洗練するための、不一致を認識する空間的敵対的摂動戦略を開発しました。
• 困難なサンプルの学習効率を改善するための、勾配誘導型チャネル摂動メカニズムを導入しました。
• 多様な一貫性正則化のためのチャネル空間二重標的摂動を採用しました。

主要な成果:

• 提案手法は、3つのベンチマークにおいて最先端の半教師ありアプローチを大幅に上回りました。
• 医用画像セグメンテーションタスクにおいて、様々なラベル付きデータ比率で優れた性能を示しました。
• 確認バイアスを効果的に軽減し、識別的特徴学習を強化しました。

結論:

• 新しいチャネル空間階層的敵対的摂動スキームは、SSMISに非常に効果的です。
• この手法は、特に困難なケースにおいて、学習効率とセグメンテーション精度を向上させます。
• このアプローチは、半教師あり医用画像セグメンテーションを進歩させるための有望な方向性を提供します。