Apprentissage semi-supervisé guidé par la qualité pour la segmentation d'images médicales

Résumé

L'entraînement de modèles précis de segmentation d'images médicales nécessite de grandes quantités de données densément annotées, ce qui est coûteux et chronophage à obtenir. L'apprentissage semi-supervisé (SSL) atténue ce problème en apprenant à la fois à partir de données non étiquetées abondantes et de données étiquetées limitées. Cependant, la plupart des méthodes SSL modernes reposent sur des pseudo-étiquettes pour les données non étiquetées, et évaluent généralement leur fiabilité via la confiance ou l'incertitude du modèle, des mesures autoréférentielles qui manquent d'un ancrage explicite dans la qualité de la segmentation. Nous proposons plutôt un cadre SSL guidé par la qualité, qui entraîne un réseau dédié à estimer la qualité de la segmentation à partir de paires image-masque. Le prédicteur est entraîné sur des masques de qualité variable générés par des corruptions synthétiques, enrichis de sorties imparfaites de modèles de segmentation partiellement entraînés, capturant ainsi les schémas d'erreur réalistes rencontrés lors de l'entraînement. Nous intégrons le prédicteur de qualité dans le SSL via deux mécanismes complémentaires : une perte de régularisation sensible à la qualité et un schéma de repondération des échantillons basé sur la qualité des pseudo-étiquettes. Nous montrons que notre méthode sert d'amélioration intégrable aux cadres SSL existants. Des expériences approfondies sur cinq ensembles de données et plusieurs architectures démontrent des améliorations constantes par rapport aux méthodes SSL concurrentes, faisant progresser l'état de l'art en segmentation d'images médicales semi-supervisée.

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.