[논문 리뷰] RCPS: Rectified Contrastive Pseudo Supervision for Semi-Supervised Medical Image Segmentation

Xiangyu Zhao, Zengxin Qi외 5명|arXiv (Cornell University)|2023. 01. 13.

Medical Image Segmentation Techniques인용 수 8

한 줄 요약

RCPS는 보정된 의사 감독 신호와 양방향 복셀 대조 학습을 도입하여 반지도학적 의료 영상 분할을 개선하고, 공개 데이터셋과 내부 데이터셋에서 최첨단 성능을 달성합니다.

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.

연구 동기 및 목표

• 의료 영상 분할에 필요한 대규모 라벨 데이터 의존성을 줄이면서도 높은 정확도를 유지한다.
• 의사 라벨의 노이즈를 uncertainty-aware 보정 및 일관성 규제를 통해 완화한다.
• 복셀 수준의 양방향 대조 학습을 통해 특성 공간의 분리 능력을 향상시킨다.
• RCPS를 여러 공개 벤치마크와 내부 임상 데이터셋에서 검증하여 임상 실용성을 입증한다.

제안 방법

• 인트ensity 기반 변환을 사용하여 입력별 두 가지 증강 뷰를 생성함으로써 강건한 의사 감독 신호를 만든다.
• 예측 불확실성을 포함하고 일관성 규제 항을 도입하여 의사 감독 신호를 보정한다.
• 복셀 수준 대조 손실을 양방향으로 계산하여 intra-class 일관성과 inter-class 분리를 피처 공간에서 강제한다.
• 불확실성 보정과 일관성 규제를 결합한 트리플 학습 프레임워크를 적용한다.
• 대조 학습에서 잘못된 음성 음성 샘플을 줄이기 위해 자신감 있는 음성 음성을 선택하는 복셀 단위 샘플링 전략을 사용한다.

실험 결과

연구 질문

• RQ1 정제된 의사 감독이 반지도 학습에서 노이즈가 많은 의사 라벨의 영향을 줄일 수 있는가?
• RQ2 양방향 복셀 대조 학습이 의료 영상의 피처 공간에서 클래스 구분성을 향상시키는가?
• RQ3 RCPS가 공개 데이터셋 및 임상 데이터셷에서 최첨단 반지도 방법과 비교하여 어떤 성능을 보이는가?
• RQ4 정제된 의사 감독과 복셀 대조 학습의 통합이 라벨링된-baseline에 어떤 영향을 주는가?

주요 결과

• RCPS는 LA 및 췌장-CT 데이터셋에서 10% 및 20% 라벨링 설정 하에 비교된 반지도 방법들 중 최고 분할 성능을 달성한다.
• LA에서 10% 라벨링 데이터에서 RCPS는 DSC를 79.46(전면 지도 학습 베이스라인)에서 90.73으로 상승시켜 거의 전체 지도 학습(91.65)에 근접한다.
• 췌장-CT에서 10% 라벨링 데이터에서 RCPS는 76.62 DSC를 달성하여 모든 비교 반지도 방법을 능가한다.
• 내부 TBI 데이터셋에서 교차 검증 시 71.88% DSC로 경쟁력 있는 결과를 보여준다.
• 방법은 경계 위치화와 표면 정확도 향상을 나타내는 HD95/ASD 지표를 지속적으로 개선한다.
• RCPS는 여러 데이터셋에서 최첨단 방법을 능가하여 보정된 의사 감독과 복셀 수준 대조 학습의 결합 효과를 강조한다.