Qualitätsgesteuertes halbüberwachtes Lernen für die medizinische Bildsegmentierung

Zusammenfassung

Das Trainieren präziser medizinischer Bildsegmentierungsmodelle erfordert große Mengen dicht annotierter Daten, deren Beschaffung kostspielig und zeitaufwändig ist. Halbsupervisiertes Lernen (SSL) mildert dieses Problem, indem es sowohl aus reichlich vorhandenen unbeschrifteten als auch aus begrenzten beschrifteten Daten lernt. Die meisten modernen SSL-Methoden stützen sich jedoch auf Pseudo-Labels für unbeschriftete Daten und bewerten deren Zuverlässigkeit typischerweise anhand von Modellkonfidenz oder -unsicherheit – Maße, die selbstreferenziell sind und keine explizite Verankerung in der Segmentierungsqualität aufweisen. Stattdessen schlagen wir ein qualitätsgesteuertes SSL-Framework vor, das ein dediziertes Netzwerk trainiert, um die Segmentierungsqualität aus Bild-Masken-Paaren zu schätzen. Der Prädiktor wird auf Masken variabler Qualität trainiert, die durch synthetische Korruptionen erzeugt und mit unvollständigen Ausgaben teilweise trainierter Segmentierungsmodelle angereichert werden, wodurch realistische Fehlermuster während des Trainings erfasst werden. Wir integrieren den Qualitätsprädiktor in SSL durch zwei komplementäre Mechanismen: einen qualitätsbewussten Regularisierungsverlust und ein auf Qualität basierendes Schema zur Neugewichtung von Pseudo-Label-Stichproben. Wir zeigen, dass unsere Methode als nahtlose Verbesserung bestehender SSL-Frameworks eingesetzt werden kann. Umfangreiche Experimente über fünf Datensätze und mehrere Architekturen hinweg belegen konsistente Verbesserungen gegenüber konkurrierenden SSL-Methoden und treiben den Stand der Technik in der halbsupervisierten medizinischen Bildsegmentierung voran.

English

Training accurate medical image segmentation models requires large amounts of densely annotated data, which is costly and time-consuming to obtain. Semi-supervised learning (SSL) alleviates this by learning from both abundant unlabeled data and limited labeled data. However, most modern SSL methods rely on pseudolabels for unlabeled data, and typically assess their reliability through model confidence or uncertainty, measures that are self-referential and lack explicit grounding in segmentation quality. Instead, we propose a quality-guided SSL framework that trains a dedicated network to estimate segmentation quality from image-mask pairs. The predictor is trained on variable-quality masks generated through synthetic corruptions augmented with imperfect outputs from partially trained segmentation models, capturing realistic error patterns encountered during training. We integrate the quality predictor into SSL through two complementary mechanisms: a quality-aware regularization loss and a quality-based pseudolabel sample reweighting scheme. We show that our method serves as a drop-in enhancement to existing SSL frameworks. Extensive experiments across five datasets and multiple architectures demonstrate consistent improvements over competing SSL methods, advancing the state-of-the-art in semi-supervised medical image segmentation.