半教師あり医用画像セグメンテーションのための適応的双方向変位

Table of Contents

概要

論文：Chi et al., Adaptive Bidirectional Displacement for Semi-Supervised Medical Image Segmentation（cvpr2024 open accessまたはarxiv）。

（この記事の図表は元論文から引用）

半教師あり医用画像セグメンテーションにおける一貫性学習の問題を解決するために「Adaptive Bidirectional Displacement」（ABD）手法を提案した。
一貫性学習が複数の摂動を利用する場合、学習プロセスは容易に制御不能になる。
ABDは複数の摂動を採用可能にするために導入された。
ABDは2つの摂動を持つ。画像摂動として画像拡張処理が使用され、弱い拡張と強い拡張が生成される。さらに、ネットワーク摂動として2つのネットワークも利用される。
ABDフレームワークは2種類の変位手法、ABD-RとABD-Iで構成される。
ABD-Rは信頼性の高い信頼度を持つ適応的双方向変位である。拡張画像内の最も低い信頼度パッチが、他の拡張画像内の最も信頼性の高い領域と置き換えられる。
ABD-Iは逆信頼度を持つABDである。拡張画像内の最も高い信頼度領域が、他の拡張画像内の最も低い信頼性パッチと置き換えられる。
変位された画像は新しいサンプルとして扱われる。
ABCアプローチは既存の手法に追加可能である。

2つのデータセットが使用された：ACDCとPROMISE12。
ABDが既存モデル（Cross TeachingとBCP）をどのように改善できるかを評価し、U-Net、DTC、URPC、MC-Net、SS-Net、SCP-Net、Cross Teaching、BCPを含む他のモデルと比較した。