최소 감독 의료 영상 분할을 위한 자기 주도 샘플 선택

기존의 최소 감독 의료 영상 분할(BSS) 방법은 등록-분할 패러다임을 채택하여 매우 적은 주석 데이터를 통해 극단적인 레이블 부족 문제를 완화하려고 합니다. 그러나 이 패러다임은 도전 과제를 제기합니다: 이미지 등록에 의해 생성된 유사 레이블은 상당한 노이즈를 동반합니다. 이 문제를 해결하기 위해, 우리는 BSS를 위한 자기 주도 샘플 선택 프레임워크(SPSS)를 제안합니다. 구체적으로, SPSS는 두 가지 주요 구성 요소로 구성됩니다: 1) 이미지 공간에서 유사 레이블의 품질을 명시적으로 개선하기 위한 자기 주도 불확실성 샘플 선택(SU), 2) 특징 공간에서 클래스 의미론 간의 구분성을 향상시켜 유사 레이블의 품질을 암묵적으로 개선하기 위한 자기 주도 양방향 특징 대조 학습(SC). SU와 SC는 협력적으로 자기 주도 학습 방식으로 훈련되어, SPSS가 BSS를 위해 고품질 유사 레이블로부터 학습할 수 있도록 보장합니다. 두 개의 공개 의료 영상 분할 데이터셋에 대한 광범위한 실험은 SPSS의 효과성과 최첨단 대비 우수성을 입증합니다. 우리의 코드는 https://github.com/SuuuJM/SPSS 에서 공개됩니다.