一般化と専門化の調和:半監督医療画像セグメンテーションのための不確実性情報による共同学習

科学分野:

• コンピュータビジョン コンピュータビジョン
• メディカルイマージング (医学イメージング)
• 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.

背景:

• ビジョンファンデーションモデルは,医療画像セグメンテーションの強力な汎用性を提供します.
• これらのモデルは,一般的な先行性と特定のニーズとの不一致から生じる,限られた注釈とまれな病理により,専門的なタスクに苦労します.

研究 の 目的:

• 半監督医療画像セグメンテーションのための二重教師のフレームワークである不確実性に基づいた共同学習 (UnCoL) を導入する.
• UnCoLは,臨床課題のパフォーマンスを向上させるために,一般化と専門化を調和させることを目的としています.

主な方法:

• UnCoLは二重教師のフレームワークを採用し,凍結された基礎モデルからの一般的な知識と,適応する教師からのタスク固有の知識を蒸留します.
• 偽レーベル学習は予測不確実性によって適応的に調節され,曖昧な領域での学習を安定させ,信頼性の低い監督を抑制します.

主要な成果:

• UnCoLは,さまざまな2Dおよび3D医療画像セグメンテーションのベンチマークにおいて,既存の半監督された方法を一貫して上回っています.
• このモデルは,ほぼ完全に監督されたパフォーマンスを達成し,注釈の要件を大幅に削減しています.

結論:

• 不確実性に基づいたコラボレーティブ・ラーニングは,医療画像セグメンテーションにおける一般的な予備訓練と専門的な臨床要求の間のギャップを効果的に埋めます.
• UnCoLは,限定されたラベルデータで,効率的かつ正確な医療画像セグメンテーションのための有望なソリューションを提供します.