Semi-Supervised 3D Medical Segmentation from 2D Natural Images Pretrained Model
Created by
Haebom
저자
Pak-Hei Yeung, Jayroop Ramesh, Pengfei Lyu, Ana Namburete, Jagath Rajapakse
개요
본 논문은 2D 자연 이미지로 사전 훈련된 일반적인 비전 모델에서 3D 의료 이미지 분할을 개선하기 위한 지식 전달을 탐구합니다. 소량의 레이블이 지정된 3D 의료 이미지와 많은 양의 레이블이 지정되지 않은 이미지가 있는 준지도 학습 환경에 중점을 둡니다. 이를 위해, 처음부터 학습된 3D 분할 모델에 2D 사전 훈련된 모델의 지식을 점진적으로 증류하는 모델 독립적 프레임워크인 M&N을 제안합니다. M&N은 서로 생성한 의사 마스크를 사용하여 두 모델을 반복적으로 공동 학습하고, 모델의 예측 정확도와 안정성에 맞춰 레이블이 지정된 데이터와 레이블이 지정되지 않은 데이터의 비율을 적응적으로 조정하는 학습률 기반 샘플링을 통해 부정확한 의사 마스크로 인한 부정적 영향을 최소화합니다. 여러 공개 데이터 세트에 대한 광범위한 실험을 통해 M&N이 모든 다른 설정에서 기존의 13가지 준지도 분할 방법을 능가하는 최첨단 성능을 달성함을 보여줍니다. 중요한 것은, ablation study를 통해 M&N이 모델 독립적임을 보여주고, 다양한 아키텍처와 원활하게 통합될 수 있음을 보여줍니다. 이는 더욱 발전된 모델이 등장함에 따라 적응성을 보장합니다. 코드는 https://github.com/pakheiyeung/M-N 에서 이용 가능합니다.
