相互インスタンス情報補完を通じた半教師あり医用画像セグメンテーションの強化

科学分野:

• 医用画像処理
• コンピュータビジョン
• 機械学習

背景:

• 専門家による注釈付きデータは医用画像セグメンテーションに不可欠であるが、希少である。
• ラベル付きデータが限られていることは、正確なセグメンテーションモデルの臨床利用を妨げる。
• インスタンス間の解剖学的補完性は、データ不足に対する潜在的な解決策を提供する。

研究 の 目的:

• 新しい半教師あり医用画像セグメンテーションアプローチを開発する。
• モデルの汎化性能とトレーニング効率を向上させるために、インスタンス間の解剖学的補完性を活用する。
• 医用画像における専門家による注釈付きデータの制限というボトルネックに対処する。

主な方法:

• 平均教師（MT）フレームワーク内に、コピー＆ペースト拡張モジュール（CPAM）とトレーニング可能な領域キャリブレーションメカニズム（TRCM）を統合した半教師ありモデル。
• CPAMは、サンプル間で情報豊富な領域を交換することにより、データの多様性を強化する。
• TRCMは、ラベル付き領域を使用して教師なしデータのキャリブレーションをガイドし、高品質の疑似ラベルを生成する。

主要な成果:

• 提案されたモデルは、多様な医用画像データセット（LA、ACDC、BraTS2019、Pancreas-NIH）およびモダリティ（MRI、CT）で堅牢な有効性を示す。
• 限られた注釈付きデータ設定で最先端の方法を常に上回る。
• 複数の評価指標で優れたパフォーマンスを達成した。

結論:

• 新しい半教師ありアプローチは、インスタンス間の解剖学的補完性を効果的に活用する。
• 相乗的なCPAMおよびTRCMコンポーネントは、医用画像セグメンテーションのパフォーマンスを大幅に向上させる。
• この方法は、限られたラベル付きデータで正確なセグメンテーションモデルをトレーニングするための有望なソリューションを提供する。