[논문 리뷰] Scale-aware Adaptive Supervised Network with Limited Medical Annotations

Zihan Li, D. C. Shan외 3명|arXiv (Cornell University)|2026. 01. 02.

COVID-19 diagnosis using AI인용 수 0

한 줄 요약

SASNet은 듀얼-브랜치 반지도 의료 영상 분할 모델로, 스케일 인식형 적응 재가중과 보기 분산 향상을 사용하여 주석이 제한된 상황에서 분할 성능을 향상시키며 LA, Pancreas-CT, BraTS 데이터셋에서 최첨단 결과를 달성합니다.

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.

연구 동기 및 목표

• 의료 영상에서 전문가 주석이 희소한 상황에서의 분할 연구의 필요성을 제시한다.
• 다중 스케일 특징을 활용해 강건한 분할을 수행하는 듀얼-브랜치 네트워크를 개발한다.
• 브랜치 예측을 신뢰도 인식 가중치로 융합하기 위한 스케일 인식형 적응 재가중을 도입한다.
• 보기 분산 변동성을 시뮬레이션하여 강건성을 향상시키기 위해 주석 변동성을 시뮬레이션한다.
• LA, Pancreas-CT, BraTS 데이터셋에서의 효과를 시연하고 최첨단 방법과 비교한다.

제안 방법

• 저수준 및 고수준 특징 디코딩을 위한 공유 인코더와 두 개의 디코더를 갖춘 SASNet를 제안한다.
• Epoch 간의 시간적 신뢰도를 이용해 두 브랜치의 픽셀 단위 예측에 가중치를 부여하는 Scale-Aware Adaptive Reweight (SAR)을 도입한다.
• 보기 간 및 스케일 간 주석 변동성을 시뮬레이션하기 위해 3D 푸리에 도메인 변환을 통한 View Variance Enhancement를 구현한다.
• 경계 정밀도 향상을 위하여 Signed Distance Maps (SDM)를 이용한 Segmentation-Regression Consistency Learning을 채택한다.
• 제한된 주석 감독, 의사 라벨 교차 감독, 및 segmentation-regression 일관성 목표를 포함한 혼합 목표로 학습한다.
• SAR를 통한 최종 앙상블 예측을 계산하고 SDM 기반의 일관성으로 회귀 브랜치를 감독한다.

실험 결과

연구 질문

• RQ1 다양한 의학 데이터셋에서 한정된 라벨 데이터로 SASNet이 분할 성능을 향상시킬 수 있는가?
• RQ2 스케일 인식형 적응 가 weighting 및 보기 분산 전략이 주석 변동성 및 작은 대상 경계에 대한 강건성을 향상시키는가?
• RQ3 SDM과 함께하는 segmentation-Regression 일관성이 반지도 학습에서 경계 정밀도에 어떻게 기여하는가?

주요 결과

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

• SASNet은 LA, Pancreas-CT, BraTS에서 기존의 반지도 방법들을 능가한다.
• LA에서 라벨링 데이터의 10%로, SASNet은 Dice 89.62%와 Jaccard 81.33%를 달성하고 HD95 6.59 voxels 및 ASD 1.89 voxels를 보인다.
• LA에서 라벨링 데이터의 20%로, SASNet은 Dice 91.82%와 Jaccard 84.93%를 달성하고 HD95 4.63 voxels 및 ASD 1.42 voxels를 보인다.
• Pancreas-CT에서 라벨링 데이터의 10%로, SASNet은 Dice 76.38%와 Jaccard 62.84%를 달성하고 HD95 13.47 voxels 및 ASD 1.82 voxels를 보인다.
• Pancreas-CT에서 라벨링 데이터의 20%로, SASNet은 Dice 81.60%와 Jaccard 69.39%를 달성하고 HD95 11.25 voxels 및 ASD 1.81 voxels를 보인다.