Supervisão de Rótulos Reais Abrangente: Aprendizado de Consistência de Protótipo Cíclico para Segmentação de Imagem Médica Semi-Supervisionada

O aprendizado semi-supervisionado avançou substancialmente a segmentação de imagens médicas, uma vez que alivia o pesado fardo de adquirir as anotações caras examinadas por especialistas. Especialmente, as abordagens baseadas em consistência têm atraído mais atenção devido ao seu desempenho superior, onde os rótulos reais são utilizados apenas para supervisionar suas imagens pareadas por meio de perda supervisionada, enquanto as imagens não rotuladas são exploradas impondo a consistência baseada em perturbação "não supervisionada" sem orientação explícita desses rótulos reais. No entanto, intuitivamente, os rótulos reais examinados por especialistas contêm sinais de supervisão mais confiáveis. Observando isso, levantamos uma questão inexplorada, mas interessante: podemos explorar os dados não rotulados por meio da supervisão explícita de rótulos reais para treinamento semi-supervisionado? Para isso, descartamos a consistência baseada em perturbação anterior, mas absorvemos a essência do aprendizado de protótipos não paramétricos. Com base nas redes prototípicas, propomos então uma nova estrutura de aprendizado de consistência de protótipo cíclico (CPCL), que é construída por um processo avançado prototípico rotulado-para-não-rotulado (L2U) e um processo de retrocesso não-rotulado-para-rotulado (U2L). Esses dois processos sinergicamente aprimoram a rede de segmentação, encorajando características mais discriminativas e compactas. Dessa forma, nossa estrutura transforma a consistência "não supervisionada" anterior em nova consistência "supervisionada", obtendo a propriedade de "supervisão de rótulos reais abrangente" do nosso método. Experimentos extensivos sobre a segmentação de tumores cerebrais a partir de MRI e segmentação de rins a partir de imagens de CT mostram que nosso CPCL pode explorar efetivamente os dados não rotulados e superar outros métodos de segmentação de imagem médica semi-supervisionada de última geração.