Aprendizado de Correção de Rótulos Pseudo e Diversidade Dupla para Segmentação de Imagens Médicas Semi-Supervisionada

RESUMO A segmentação de imagens médicas semi-supervisionadas ganhou recentemente crescente atenção na pesquisa, pois pode reduzir a necessidade de dados anotados em grande escala. Os métodos convencionais geralmente adotam duas sub-redes e incentivam os dois modelos a fazer previsões consistentes para a mesma tarefa de segmentação por meio da regularização de consistência. No entanto, a escassez de amostras médicas reduz a efetividade das restrições de consistência, e esse problema pode ser ainda mais exacerbado pela influência de rótulos pseudo-ruidosos. Neste trabalho, propomos uma nova estrutura de co-treinamento baseada em aprendizado de correção de rótulo pseudo e diversidade dupla (DDPCL) para enfrentar esses desafios. Especificamente, primeiramente, projetamos uma estratégia de aprendizado de diversidade dupla, na qual a diversidade dos dados explora totalmente a informação potencial de amostras de treinamento limitadas por meio da operação CutMix, e a diversidade de características promove o modelo a aprender representações complementares de características ao minimizar a similaridade entre as características extraídas pelas duas sub-redes. Em segundo lugar, propomos uma estratégia de aprendizado de correção de rótulo pseudo, que considera a região inconsistente onde os rótulos pseudo previstos pelas duas sub-redes são diferentes como regiões de viés potenciais, e orienta os modelos a corrigir o viés nessas regiões. Experimentos extensivos em três conjuntos de dados públicos (ACDC, LA e Pancreas-NIH) validam que o método proposto supera as melhores práticas em segmentação de imagens médicas semi-supervisionadas. O código está disponível em http://github.com/ddd0420/ddpcl.