본 논문은 3D 의료 영상 분할에서 대량의 복셀 수준 주석 데이터에 대한 의존성 문제를 해결하기 위해 반지도 학습(SSL) 기반의 새로운 방법인 TraCoCo를 제안합니다. 기존 일관성 학습 기반 SSL 방법들이 공간적 입력 맥락을 유지하는 perturbation을 사용하여 객체보다는 공간적 맥락에서 분할 패턴을 학습하는 경향이 있는 문제점을 지적합니다. TraCoCo는 공간적 입력 맥락을 변화시키는 perturbation을 사용하여 시각적 객체로부터 분할 패턴을 학습하도록 설계되었습니다. 또한, 기존의 MSE 손실 함수 대신 새로운 Cross-model confident Binary Cross entropy (CBC) 손실 함수를 제안하여 학습 수렴성을 개선하고 공동 학습 의사 레이블링 오류에 대한 강건성을 유지합니다. 3D SSL을 위한 CutMix 증강을 확장하여 일반화 성능을 향상시켰으며, Left Atrium (LA) 및 Brain Tumor Segmentation (BRaTS19) 데이터셋에서 다양한 백본 네트워크를 사용하여 최첨단 성능을 달성했습니다. 소스 코드는 공개되어 있습니다.
시사점, 한계점
•
시사점:
◦
3D 의료 영상 분할에서 주석 데이터 부족 문제를 효과적으로 해결하는 새로운 SSL 방법 제시.
