Aproveitando Pseudo-rótulos Fixos e Dinâmicos para Segmentação de Imagens Médicas Semi-supervisionada

A segmentação de imagens médicas semi-supervisionada ganhou um crescente interesse devido à sua capacidade de utilizar dados não anotados. Os métodos atuais de última geração dependem principalmente do pseudo-rotulagem dentro de uma estrutura de co-treinamento. Esses métodos dependem de um único pseudo-rotulo para treinamento, mas esses rótulos não são tão precisos quanto a verdade do chão dos dados rotulados. Confiar apenas em um pseudo-rótulo geralmente resulta em resultados subotimizados. Nesse sentido, propomos uma abordagem inovadora onde múltiplos pseudo-rótulos para a mesma imagem não anotada são usados para aprender com os dados não rotulados: o pseudo-rótulo fixo convencional e o pseudo-rótulo dinâmico recentemente introduzido. Ao incorporar múltiplos pseudo-rótulos para a mesma imagem não anotada na estrutura de co-treinamento, nossa abordagem fornece uma metodologia de treinamento mais robusta que melhora o desempenho do modelo e as capacidades de generalização. Validamos nossa abordagem inovadora em três conjuntos de dados de segmentação de referência médica semi-supervisionada, o conjunto de dados do Átrio Esquerdo, o conjunto de dados Pancreas-CT e o conjunto de dados Brats-2019. Nossa abordagem supera significativamente os métodos de última geração em múltiplos conjuntos de dados de segmentação de referência médica com diferentes proporções de dados rotulados. Também apresentamos vários experimentos de ablação para demonstrar a eficácia dos diversos componentes utilizados em nossa abordagem.