RAIL: Regionenbewusstes instruktives Lernen für halbüberwachte Zahnsegmentierung in CBCT

RAIL: Region-Aware Instructive Learning for Semi-Supervised Tooth Segmentation in CBCT

May 6, 2025

Autoren: Chuyu Zhao, Hao Huang, Jiashuo Guo, Ziyu Shen, Zhongwei Zhou, Jie Liu, Zekuan Yu

cs.AI

Zusammenfassung

Semi-supervisedes Lernen hat sich zu einem überzeugenden Ansatz für die 3D-Zahnsegmentierung aus CBCT-Scans entwickelt, bei denen annotierte Daten nur begrenzt verfügbar sind. Bestehende Methoden stehen jedoch weiterhin vor zwei anhaltenden Herausforderungen: begrenzte korrigierende Überwachung in strukturell mehrdeutigen oder falsch annotierten Regionen während des überwachten Trainings sowie Leistungseinbußen durch unzuverlässige Pseudolabels auf nicht annotierten Daten. Um diese Probleme zu lösen, schlagen wir Region-Aware Instructive Learning (RAIL) vor, ein semi-supervidiertes Framework mit einer Dual-Group-Dual-Student-Architektur. Jede Gruppe besteht aus zwei Schülermodellen, die von einem gemeinsamen Lehrernetzwerk geleitet werden. Durch abwechselndes Training zwischen den beiden Gruppen fördert RAIL den Wissenstransfer zwischen den Gruppen und eine kollaborative, regionsbewusste Anleitung, während gleichzeitig eine Überanpassung an die Eigenschaften eines einzelnen Modells reduziert wird. Konkret führt RAIL zwei instruktive Mechanismen ein. Der Disagreement-Focused Supervision (DFS) Controller verbessert das überwachte Lernen, indem er Vorhersagen nur in Bereichen anleitet, in denen die Ausgaben der Schüler sowohl von der Ground Truth als auch vom besten Schüler abweichen, wodurch die Überwachung auf strukturell mehrdeutige oder falsch annotierte Bereiche konzentriert wird. In der unüberwachten Phase verstärkt der Confidence-Aware Learning (CAL) Modulator die Übereinstimmung in Regionen mit hoher Modellsicherheit, während der Einfluss von Vorhersagen mit geringer Konfidenz während des Trainings reduziert wird. Dies verhindert, dass unser Modell instabile Muster lernt, und verbessert die Gesamtzuverlässigkeit der Pseudolabels. Umfangreiche Experimente auf vier CBCT-Zahnsegmentierungsdatensätzen zeigen, dass RAIL unter begrenzter Annotation state-of-the-art Methoden übertrifft. Unser Code wird unter https://github.com/Tournesol-Saturday/RAIL verfügbar sein.

English

Semi-supervised learning has become a compelling approach for 3D tooth segmentation from CBCT scans, where labeled data is minimal. However, existing methods still face two persistent challenges: limited corrective supervision in structurally ambiguous or mislabeled regions during supervised training and performance degradation caused by unreliable pseudo-labels on unlabeled data. To address these problems, we propose Region-Aware Instructive Learning (RAIL), a dual-group dual-student, semi-supervised framework. Each group contains two student models guided by a shared teacher network. By alternating training between the two groups, RAIL promotes intergroup knowledge transfer and collaborative region-aware instruction while reducing overfitting to the characteristics of any single model. Specifically, RAIL introduces two instructive mechanisms. Disagreement-Focused Supervision (DFS) Controller improves supervised learning by instructing predictions only within areas where student outputs diverge from both ground truth and the best student, thereby concentrating supervision on structurally ambiguous or mislabeled areas. In the unsupervised phase, Confidence-Aware Learning (CAL) Modulator reinforces agreement in regions with high model certainty while reducing the effect of low-confidence predictions during training. This helps prevent our model from learning unstable patterns and improves the overall reliability of pseudo-labels. Extensive experiments on four CBCT tooth segmentation datasets show that RAIL surpasses state-of-the-art methods under limited annotation. Our code will be available at https://github.com/Tournesol-Saturday/RAIL.