RAIL: Aprendizaje Instructivo Consciente de la Región para la Segmentación Semisupervisada de Dientes en CBCT

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

May 6, 2025

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

cs.AI

Resumen

El aprendizaje semi-supervisado se ha convertido en un enfoque convincente para la segmentación dental 3D a partir de escaneos CBCT, donde los datos etiquetados son escasos. Sin embargo, los métodos existentes aún enfrentan dos desafíos persistentes: la supervisión correctiva limitada en regiones estructuralmente ambiguas o mal etiquetadas durante el entrenamiento supervisado y la degradación del rendimiento causada por pseudoetiquetas poco confiables en datos no etiquetados. Para abordar estos problemas, proponemos Region-Aware Instructive Learning (RAIL), un marco semi-supervisado de doble grupo y doble estudiante. Cada grupo contiene dos modelos de estudiante guiados por una red maestra compartida. Al alternar el entrenamiento entre los dos grupos, RAIL promueve la transferencia de conocimiento intergrupal y la instrucción colaborativa consciente de la región, mientras reduce el sobreajuste a las características de cualquier modelo individual. Específicamente, RAIL introduce dos mecanismos instructivos. El Controlador de Supervisión Enfocada en Desacuerdos (DFS) mejora el aprendizaje supervisado al instruir predicciones solo en áreas donde las salidas de los estudiantes difieren tanto de la verdad fundamental como del mejor estudiante, concentrando así la supervisión en áreas estructuralmente ambiguas o mal etiquetadas. En la fase no supervisada, el Modulador de Aprendizaje Consciente de la Confianza (CAL) refuerza el acuerdo en regiones con alta certeza del modelo mientras reduce el efecto de predicciones de baja confianza durante el entrenamiento. Esto ayuda a evitar que nuestro modelo aprenda patrones inestables y mejora la confiabilidad general de las pseudoetiquetas. Experimentos exhaustivos en cuatro conjuntos de datos de segmentación dental CBCT muestran que RAIL supera a los métodos más avanzados bajo anotación limitada. Nuestro código estará disponible en https://github.com/Tournesol-Saturday/RAIL.

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.