Aprendizaje semisupervisado guiado por calidad para segmentación de imágenes médicas

Resumen

Entrenar modelos precisos de segmentación de imágenes médicas requiere grandes cantidades de datos densamente anotados, cuya obtención es costosa y requiere mucho tiempo. El aprendizaje semisupervisado (SSL) alivia esto al aprender tanto de datos no etiquetados abundantes como de datos etiquetados limitados. Sin embargo, la mayoría de los métodos SSL modernos se basan en pseudoetiquetas para los datos no etiquetados y típicamente evalúan su fiabilidad a través de la confianza o incertidumbre del modelo, medidas que son autorreferenciales y carecen de una fundamentación explícita en la calidad de la segmentación. En cambio, proponemos un marco de SSL guiado por calidad que entrena una red dedicada para estimar la calidad de la segmentación a partir de pares de imagen-máscara. El predictor se entrena con máscaras de calidad variable generadas mediante corrupciones sintéticas aumentadas con salidas imperfectas de modelos de segmentación parcialmente entrenados, capturando patrones de error realistas encontrados durante el entrenamiento. Integramos el predictor de calidad en SSL mediante dos mecanismos complementarios: una pérdida de regularización consciente de la calidad y un esquema de reponderación de muestras de pseudoetiquetas basado en calidad. Demostramos que nuestro método sirve como una mejora integrable en marcos SSL existentes. Amplios experimentos en cinco conjuntos de datos y múltiples arquitecturas muestran mejoras consistentes sobre métodos SSL competidores, avanzando el estado del arte en la segmentación semisupervisada de imágenes médicas.

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.