部分教師ありマルチ臓器医用画像セグメンテーションのためのラベル付きデータとラベルなしデータの分布一致

タイトル: 部分教師ありマルチ臓器医用画像セグメンテーションのためのラベル付きデータとラベルなしデータの分布一致

リンク: https://arxiv.org/abs/2409.03228

概要:

部分教師あり多臓器医療画像セグメンテーションは、それぞれが単一クラスの臓器に対するラベルを提供する、複数の部分的にラベル付けされたデータセットを活用して、統一されたセマンティックセグメンテーションモデルを開発することを目的としています。しかしながら、ラベル付けされた前景臓器の利用可能性が限られていること、およびラベル付けされていない前景臓器を背景から区別するための教師データがないことは、ラベル付けされたピクセルとラベル付けされていないピクセルの間の分布の不一致につながるため、大きな課題となっています。既存の疑似ラベル付け手法を用いることで、ラベル付けされたピクセルとラベル付けされていないピクセルの両方から学習することが可能ですが、これらの手法は、ラベル付けされたピクセルとラベル付けされていないピクセルが同じ分布を持つという仮定に依存しているため、このタスクでは性能が低下する傾向にあります。本論文では、分布の不一致の問題に対処するために、特徴分布を調整し、識別能力を高めるラベルから非ラベルへの分布調整 (LTUDA) フレームワークを提案します。具体的には、ラベル付けされた臓器とラベル付けされていない臓器の間で領域レベルの混合を行い、分布の差異を減らし、トレーニングセットを充実させる、クロスセットデータ拡張戦略を導入します。さらに、クラス内変動を暗黙的に減らし、ラベル付けされていない前景と背景の分離を強化する、プロトタイプベースの分布調整手法を提案します。これは、2つのプロトタイプ分類器と線形分類器の出力間の一致性を促すことで実現できます。AbdomenCT-1Kデータセットと4つのベンチマークデータセット（LiTS、MSD-Spleen、KiTS、NIH82を含む）の結合を用いた広範な実験結果により、我々の手法が最先端の部分教師あり手法を大幅に上回り、完全教師あり手法をも凌駕することを示しています。ソースコードはhttps://github.com/xjiangmed/LTUDAで公開されています。

論文要約