Interruptor Multiescala para Aprendizaje Semi-supervisado y Contrastivo en la Segmentación de Imágenes Médicas por Ultrasonido

Resumen

La segmentación de imágenes médicas por ultrasonido enfrenta desafíos significativos debido a la escasez de datos etiquetados y a artefactos de imagen característicos que incluyen ruido de speckle y bordes de bajo contraste. Si bien han surgido enfoques de aprendizaje semi-supervisado (SSL) para abordar la escasez de datos, los métodos existentes adolecen de una utilización subóptima de los datos no etiquetados y carecen de mecanismos robustos de representación de características. En este artículo, proponemos Switch, un novedoso framework SSL con dos innovaciones clave: (1) una estrategia de Conmutación Multiescala (MSS) que emplea mezcla jerárquica de parches para lograr una cobertura espacial uniforme; (2) una Conmutación en el Dominio de la Frecuencia (FDS) con aprendizaje contrastivo que realiza intercambio de amplitud en el espacio de Fourier para obtener representaciones de características robustas. Nuestro framework integra estos componentes dentro de una arquitectura maestro-estudiante para aprovechar eficazmente tanto los datos etiquetados como los no etiquetados. Una evaluación exhaustiva en seis conjuntos de datos de ultrasonido diversos (ganglios linfáticos, lesiones mamarias, nódulos tiroideos y próstata) demuestra una superioridad consistente sobre los métodos state-of-the-art. Con una proporción de etiquetado del 5%, Switch logra mejoras notables: 80.04% de Dice en LN-INT, 85.52% de Dice en DDTI y 83.48% de Dice en los conjuntos de datos de próstata, superando incluso nuestro enfoque semi-supervisado a las líneas base totalmente supervisadas. El método mantiene la eficiencia de parámetros (1.8M parámetros) mientras ofrece un rendimiento superior, validando su efectividad para aplicaciones de imagen médica con recursos limitados. El código fuente está disponible públicamente en https://github.com/jinggqu/Switch.

English

Medical ultrasound image segmentation faces significant challenges due to limited labeled data and characteristic imaging artifacts including speckle noise and low-contrast boundaries. While semi-supervised learning (SSL) approaches have emerged to address data scarcity, existing methods suffer from suboptimal unlabeled data utilization and lack robust feature representation mechanisms. In this paper, we propose Switch, a novel SSL framework with two key innovations: (1) Multiscale Switch (MSS) strategy that employs hierarchical patch mixing to achieve uniform spatial coverage; (2) Frequency Domain Switch (FDS) with contrastive learning that performs amplitude switching in Fourier space for robust feature representations. Our framework integrates these components within a teacher-student architecture to effectively leverage both labeled and unlabeled data. Comprehensive evaluation across six diverse ultrasound datasets (lymph nodes, breast lesions, thyroid nodules, and prostate) demonstrates consistent superiority over state-of-the-art methods. At 5\% labeling ratio, Switch achieves remarkable improvements: 80.04\% Dice on LN-INT, 85.52\% Dice on DDTI, and 83.48\% Dice on Prostate datasets, with our semi-supervised approach even exceeding fully supervised baselines. The method maintains parameter efficiency (1.8M parameters) while delivering superior performance, validating its effectiveness for resource-constrained medical imaging applications. The source code is publicly available at https://github.com/jinggqu/Switch

Interruptor Multiescala para Aprendizaje Semi-supervisado y Contrastivo en la Segmentación de Imágenes Médicas por Ultrasonido

Multiscale Switch for Semi-Supervised and Contrastive Learning in Medical Ultrasound Image Segmentation

Resumen

Support