[論文レビュー] RCPS: Rectified Contrastive Pseudo Supervision for Semi-Supervised Medical Image Segmentation

Xiangyu Zhao, Zengxin Qi+5 more|arXiv (Cornell University)|Jan 13, 2023

Medical Image Segmentation Techniques被引用数 8

ひとこと要約

RCPSは rectified pseudo supervision と bidirectional voxel contrastive learning を導入し、半教師あり医療画像分割の精度を向上させ、公開データセットおよび自社データセットで最先端の結果を達成します。

ABSTRACT

Medical image segmentation methods are generally designed as fully-supervised to guarantee model performance, which require a significant amount of expert annotated samples that are high-cost and laborious. Semi-supervised image segmentation can alleviate the problem by utilizing a large number of unlabeled images along with limited labeled images. However, learning a robust representation from numerous unlabeled images remains challenging due to potential noise in pseudo labels and insufficient class separability in feature space, which undermines the performance of current semi-supervised segmentation approaches. To address the issues above, we propose a novel semi-supervised segmentation method named as Rectified Contrastive Pseudo Supervision (RCPS), which combines a rectified pseudo supervision and voxel-level contrastive learning to improve the effectiveness of semi-supervised segmentation. Particularly, we design a novel rectification strategy for the pseudo supervision method based on uncertainty estimation and consistency regularization to reduce the noise influence in pseudo labels. Furthermore, we introduce a bidirectional voxel contrastive loss to the network to ensure intra-class consistency and inter-class contrast in feature space, which increases class separability in the segmentation. The proposed RCPS segmentation method has been validated on two public datasets and an in-house clinical dataset. Experimental results reveal that the proposed method yields better segmentation performance compared with the state-of-the-art methods in semi-supervised medical image segmentation. The source code is available at https://github.com/hsiangyuzhao/RCPS.

研究の動機と目的

• 医療画像分割のための大規模ラベル付きデータへの依存を減らしつつ高精度を維持する。
• 半教師あり学習における疑似ラベルノイズを不確実性認識を含む rectification と 一貫性正則化で軽減する。
• ボクセルレベルの双方向対比学習による特徴空間の分離性を強化する。
• RCPS を複数の公開ベンチマークと社内臨床データセットで検証し、臨床適用可能性を示す。

提案手法

• 各入力の強度ベースの変換を用いて2つの拡張ビューを生成し、堅牢な疑似監 supervision 信号を作成する。
• 予測不確実性と一貫性正則化項を取り入れて疑似監 supervision を rectified（修正）する。
• 特徴空間の intra-class の一貫性と inter-class の分離を強制するため、双方向のボクセルレベル対比損失を計算する。
• 不確実性の修正と一貫性正則化を組み合わせたトリプレット学習フレームワークを適用する。
• 対比学習の誤検出 negatives を減らすため、信頼できるネガティブを選択するボクセル毎のサンプリング戦略を用いる。

実験結果

リサーチクエスチョン

• RQ1 rectified pseudo supervision は半教師あり分割におけるノイズの多い疑似ラベルの影響を軽減できるか。
• RQ2 bidirectional voxel contrastive learning は医用画像の特徴空間におけるクラス分離性を改善するか。
• RQ3 RCPS は公開データセットと臨床データセットで最先端の半教師あり法と比較してどの程度性能を発揮するか。
• RQ4 rectified pseudo supervision と voxel contrastive learning の統合が、ラベル付きデータのみのベースラインに与える影響はどうか。

主な発見

• RCPS は LA および pancreas-CT データセットで、10%および20%のラベル付きデータ設定の下で比較対象の半教師あり法の中で最良の分割性能を達成。
• LA の10%ラベルデータでは、RCPS は DSC を 79.46 から 90.73 に引き上げ、完全監視（91.65）に近づく。
• pancreas-CT の10%ラベルデータでは、RCPS は 76.62 DSC を達成し、比較対象のすべての半教師あり法を上回る。
• 自社データセット TBI でもクロスバリデーション時にラベル付きスキャンで 71.88% DSC の競争力ある結果を示す。
• 本手法は境界定位と表面精度の改善を示す HD95/ASD 指標を一貫して改善。
• rectified pseudo supervision と voxel-level contrastive learning の組み合わせ方が、複数データセットで最先端手法を上回ることを示し、実用性を浮き彫りにしている。