恥骨結合と胎児頭部(PSFH)のセグメンテーションは、分娩の進行を監視し、潜在的な分娩合併症を特定するための重要なステップです。ディープラーニングが進歩しているにもかかわらず、アノテーション付き医用画像の不足がセグメンテーションのトレーニングを妨げています。従来の半教師あり学習アプローチは、主に畳み込みニューラルネットワーク(CNN)に基づく統合ネットワークモデルを利用し、一貫性正則化を適用して、広範なアノテーション付きデータへの依存を軽減します。しかし、これらの方法は、ラベル付けされていないデータの識別的特徴を捉え、超音波画像内のPSFHのあいまいな境界に固有の長距離依存性を描写するのに苦労することがよくあります。これらの制限に対処するために、CNNとTransformerの機能を相乗的に統合する新しいフレームワークである、Dual-Student and Teacher Combining CNN and Transformer(DSTCT)を導入します。私たちのフレームワークは、教師としてのVision Transformer(ViT)と、1つのViTと1つのCNNの2つの生徒モデルで構成されています。このデュアルスチューデントのセットアップにより、ハードとソフトの両方の疑似ラベルの生成を通じて相互監視が可能になり、分類子の確定性の不一致を最小限に抑えることで、予測の一貫性が向上します。教師モデルは、一貫性正則化の制約を課すことによって、このアーキテクチャ内の学習をさらに強化します。アプローチの汎化能力を高めるために、データとモデルの摂動手法を組み合わせて使用します。MICCAI 2023でのPSFH Segmentation Grand Challengeのベンチマークデータセットに関する包括的な評価では、DSTCTフレームワークが10の最新の半教師ありセグメンテーション方法よりも優れていることが示されています。コードはhttps://github.com/jjm1589/DSTCTで入手できます。
タイトル: 分娩中の超音波画像における恥骨結合と胎児頭部のセグメンテーション:CNN-ViT協調学習を用いたデュアル生徒教師フレームワーク
リンク: https://arxiv.org/abs/2409.06928
概要:
恥骨結合と胎児頭部(PSFH)のセグメンテーションは、分娩の進行を監視し、潜在的な分娩合併症を特定するための重要なステップです。ディープラーニングが進歩しているにもかかわらず、アノテーション付き医用画像の不足がセグメンテーションのトレーニングを妨げています。従来の半教師あり学習アプローチは、主に畳み込みニューラルネットワーク(CNN)に基づく統合ネットワークモデルを利用し、一貫性正則化を適用して、広範なアノテーション付きデータへの依存を軽減します。しかし、これらの方法は、ラベル付けされていないデータの識別的特徴を捉え、超音波画像内のPSFHのあいまいな境界に固有の長距離依存性を描写するのに苦労することがよくあります。これらの制限に対処するために、CNNとTransformerの機能を相乗的に統合する新しいフレームワークである、Dual-Student and Teacher Combining CNN and Transformer(DSTCT)を導入します。私たちのフレームワークは、教師としてのVision Transformer(ViT)と、1つのViTと1つのCNNの2つの生徒モデルで構成されています。このデュアルスチューデントのセットアップにより、ハードとソフトの両方の疑似ラベルの生成を通じて相互監視が可能になり、分類子の確定性の不一致を最小限に抑えることで、予測の一貫性が向上します。教師モデルは、一貫性正則化の制約を課すことによって、このアーキテクチャ内の学習をさらに強化します。アプローチの汎化能力を高めるために、データとモデルの摂動手法を組み合わせて使用します。MICCAI 2023でのPSFH Segmentation Grand Challengeのベンチマークデータセットに関する包括的な評価では、DSTCTフレームワークが10の最新の半教師ありセグメンテーション方法よりも優れていることが示されています。コードはhttps://github.com/jjm1589/DSTCTで入手できます。