RAIL : Apprentissage Instructif Conscient des Régions pour la Segmentation Dentaire Semi-Supervisée en CBCT

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

May 6, 2025

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

cs.AI

Résumé

L'apprentissage semi-supervisé est devenu une approche convaincante pour la segmentation 3D des dents à partir de scans CBCT, où les données annotées sont minimales. Cependant, les méthodes existantes continuent de faire face à deux défis persistants : une supervision corrective limitée dans les régions structurellement ambiguës ou mal annotées pendant l'entraînement supervisé, et une dégradation des performances causée par des pseudo-labels peu fiables sur les données non annotées. Pour résoudre ces problèmes, nous proposons Region-Aware Instructive Learning (RAIL), un cadre semi-supervisé à double groupe et double étudiant. Chaque groupe contient deux modèles étudiants guidés par un réseau enseignant partagé. En alternant l'entraînement entre les deux groupes, RAIL favorise le transfert de connaissances intergroupe et une instruction collaborative sensible aux régions, tout en réduisant le surajustement aux caractéristiques d'un seul modèle. Plus précisément, RAIL introduit deux mécanismes instructifs. Le Contrôleur de Supervision Centrée sur les Désaccords (DFS) améliore l'apprentissage supervisé en guidant les prédictions uniquement dans les zones où les sorties des étudiants divergent à la fois de la vérité terrain et du meilleur étudiant, concentrant ainsi la supervision sur les zones structurellement ambiguës ou mal annotées. Dans la phase non supervisée, le Modulateur d'Apprentissage Conscient de la Confiance (CAL) renforce l'accord dans les régions où la certitude du modèle est élevée, tout en réduisant l'effet des prédictions de faible confiance pendant l'entraînement. Cela aide à empêcher notre modèle d'apprendre des motifs instables et améliore la fiabilité globale des pseudo-labels. Des expériences approfondies sur quatre ensembles de données de segmentation dentaire CBCT montrent que RAIL surpasse les méthodes de pointe dans des conditions d'annotation limitée. Notre code sera disponible à l'adresse 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.