[論文レビュー] Scale-aware Adaptive Supervised Network with Limited Medical Annotations

Zihan Li, D. C. Shan+3 more|arXiv (Cornell University)|Jan 2, 2026

COVID-19 diagnosis using AI被引用数 0

ひとこと要約

SASNetはデュアルブランチの半監視医用画像セグメンテーションモデルで、スケール認識型適応再重み付けとビュー分散強化を用いて限られた注釈下でセグメンテーションを改善し、LA、Pancreas-CT、BraTSデータセットで最先端の結果を達成します。

ABSTRACT

Medical image segmentation faces critical challenges in semi-supervised learning scenarios due to severe annotation scarcity requiring expert radiological knowledge, significant inter-annotator variability across different viewpoints and expertise levels, and inadequate multi-scale feature integration for precise boundary delineation in complex anatomical structures. Existing semi-supervised methods demonstrate substantial performance degradation compared to fully supervised approaches, particularly in small target segmentation and boundary refinement tasks. To address these fundamental challenges, we propose SASNet (Scale-aware Adaptive Supervised Network), a dual-branch architecture that leverages both low-level and high-level feature representations through novel scale-aware adaptive reweight mechanisms. Our approach introduces three key methodological innovations, including the Scale-aware Adaptive Reweight strategy that dynamically weights pixel-wise predictions using temporal confidence accumulation, the View Variance Enhancement mechanism employing 3D Fourier domain transformations to simulate annotation variability, and segmentation-regression consistency learning through signed distance map algorithms for enhanced boundary precision. These innovations collectively address the core limitations of existing semi-supervised approaches by integrating spatial, temporal, and geometric consistency principles within a unified optimization framework. Comprehensive evaluation across LA, Pancreas-CT, and BraTS datasets demonstrates that SASNet achieves superior performance with limited labeled data, surpassing state-of-the-art semi-supervised methods while approaching fully supervised performance levels. The source code for SASNet is available at https://github.com/HUANGLIZI/SASNet.

研究の動機と目的

• 医用画像診断における希少な専門家アノテーション下でのセグメンテーションの動機付け。
• マルチスケール特徴を活用した堅牢なセグメンテーションのためのデュアルブランチネットワークの開発。
• 信頼度を用いた重み付けでブランチ予測を統合するスケール認識型適応再重み付けの導入。
• ビュー分散強化を通じたアノテーション変動性のシミュレーションによる頑健性の向上。
• LA、Pancreas-CT、BraTSデータセットでの有効性を示し、最先端手法と比較。

提案手法

• 低レベルおよび高レベル特徴デコード用の共有エンコーダと2つのデコーダを持つSASNetを提案。
• SAR（Scale-Aware Adaptive Reweight）を導入し、エポック間の時間的信頼度を用いて両ブランチの画素毎予測を重み付け。
• 3Dフーリエ領域変換を用いたビュー分散強化を実装し、ビューとスケール間でアノテーション変動性をシミュレート。
• SDM（Signed Distance Maps）を用いるSegmentation-Regression Consistency Learningを採用して境界精度を改善。
• 限られたアノテーション監督、疑似ラベルのクロス監督、セグメンテーション-回帰整合性の目的を混合して訓練。
• SARによる最終アンサンブル予測を計算し、SDMベースの整合性を介して回帰ブランチを監督。

実験結果

リサーチクエスチョン

• RQ1 SASNetは限られたラベルデータでも多様な医用データセットでセグメンテーション性能を向上させるか。
• RQ2 スケール認識型適応重み付けとビュー分散戦略はアノテーション変動性と小さな境界の頑健性を高めるか。
• RQ3 SDMを用いたセグメンテーション-回帰の整合性は半教師あり学習下で境界精度に寄与するか。

主な発見

Method	#Scans used	Labeled	Un	Dice (%)↓	Jaccard (%)↓	HD95 (voxel)↓	ASD (voxel)↓
SASNet	LA (10%)	8(10%)	72	89.62	81.33	6.59	1.89
SASNet	LA (20%)	16(20%)	64	91.82	84.93	4.63	1.42
SASNet	Pancreas-CT (10%)	6(10%)	56	76.38	62.84	13.47	1.82
SASNet	Pancreas-CT (20%)	12(20%)	50	81.60	69.39	11.25	1.81

• SASNetはLA、Pancreas-CT、BraTSの既存半教師方法をラベルデータが乏しい場合に上回る。
• LAでラベルデータ10%時、Dice 89.62%、Jaccard 81.33%、HD95 6.59 voxel、ASD 1.89 voxel。
• LAでラベルデータ20%時、Dice 91.82%、Jaccard 84.93%、HD95 4.63 voxel、ASD 1.42 voxel。
• Pancreas-CTでラベルデータ10%時、Dice 76.38%、Jaccard 62.84%、HD95 13.47 voxel、ASD 1.82 voxel。
• Pancreas-CTでラベルデータ20%時、Dice 81.60%、Jaccard 69.39%、HD95 11.25 voxel、ASD 1.81 voxel。