Напівконтрольована сегментація медичних зображень
DOI:
https://doi.org/10.18372/1990-5548.81.18986Ключові слова:
напівконтрольоване навчання, сегментація медичного зображення, регулярізація узгодженості, псевдо-маркування, «злий» учитель, глибоке навчанняАнотація
Цю статтю присвячено розробці методу (алгоритму) сегментації медичних зображень на основі напівконтрольованого навчання. Показано, що методи напівконтрольованого навчання мають значний потенціал для покращення сегментації медичних зображень за рахунок ефективного використання немаркованих даних. Однак залишаються проблеми з адаптацією цих методів до конкретних характеристик медичних зображень, таких як висока мінливість, дисбаланс класів та наявність шуму і артефактів. Для подолання зазначених труднощів запропоновано інтегрувати кілька підходів (регуляризація узгодженості, псевдомаркування, модель середнього вчителя) до єдиної структури. Для підвищення надійності та узагальнення моделі для різних методів візуалізації включаємо доповнення до даних, специфічні для конкретної галузі, адаптовані до унікальних характеристик та проблем кожного методу. Масштабні експерименти з наборами даних магнітно-резонансної томографії, комп'ютерної томографії та оптично когерентної томографії демонструють, що розглянута структура значно перевершує повністю контрольовані та індивідуальні методи напівконтрольованого навчання, особливо у сценаріях з низьким рівнем маркування даних.
Посилання
S. K. Mathivanan, S. Sonaimuthu, Murugesan S., and et al., “Employing deep learning and transfer learning for accurate brain tumor detection,” Scientific Reports, 14, 2024, Article 7232. https://doi.org/10.1038/s41598-024-57970-7.
O. Ronneberger, P. Fischer, & T. Brox, “U-Net: Convolutional Networks for Biomedical Image Segmentation,” Medical Image Computing and Computer-Assisted Intervention (MICCAI), 2015, pp. 234–241. https://doi.org/10.1007/978-3-319-24574-4_28
K. Han, V. S. Sheng, Y. Song, Y. Liu, C. Qiu, S. Ma, & Z. Liu, “Deep semi-supervised learning for medical image segmentation: A review,” Expert Systems with Applications, 245, Article 123052, 2024. https://doi.org/10.1016/j.eswa.2023.123052
Ö. Çiçek, A. Abdulkadir, S. S. Lienkamp, T. Brox, & O. Ronneberger, “3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation,” Medical Image Computing and Computer-Assisted Intervention (MICCAI), 2016, pp. 424–432. https://doi.org/10.1007/978-3-319-46723-8_49
O. Oktay, et al., “Attention U-Net: Learning Where to Look for the Pancreas,” 2018. arXiv preprint arXiv:1804.03999.
Z. Zhang, Q. Liu, & Y. Wang, “Road Extraction by Deep Residual U-Net,” IEEE Geoscience and Remote Sensing Letters, 15(5), 2018, pp. 749–753. https://doi.org/10.1109/LGRS.2018.2802944
L. Dai, M. G. Md Johar, & M. Alkawaz, “Review of Semi-supervised Medical Image Segmentation Based on the U-Net,” Academic Journal of Science and Technology, 11, pp. 147–154, 2024. https://doi.org/10.54097/gmhkht38
X. Li, et al. “Transformation Consistent Self-ensembling Model for Semi-supervised Medical Image Segmentation,” Medical Image Computing and Computer Assisted Intervention – MICCAI 2020, 2020, pp. 559–568. https://doi.org/10.1007/978-3-030-59710-8_60
W. Bai, et al., “Semi-supervised learning for network-based cardiac MR image segmentation,” Medical Image Analysis, 43, 2017, pp. 165–177.
A. Tarvainen, & H. Valpola, “Mean Teachers are Better Role Models: Weight-averaged Consistency Targets Improve Semi-supervised Deep Learning Results,” Advances in Neural Information Processing Systems, 2017, pp. 1195–1204.
C. S. Perone,, P. L. Ballester, & J. Cohen-Adad, “Unsupervised Domain Adaptation for Medical Imaging Segmentation with Self-Ensembling,” NeuroImage, 194, pp. 1–11, 2019. https://doi.org/10.1016/j.neuroimage.2019.03.026
Y. Zhang, L. Yang, J. Chen, & D. Z. Chen, “Deep Adversarial Networks for Biomedical Image Segmentation Utilizing Unannotated Images,” Medical Image Computing and Computer-Assisted Intervention (MICCAI), pp. 408–416, 2017. https://doi.org/10.1007/978-3-319-66179-7_47
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Authors who publish with this journal agree to the following terms:
Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
