RAIL: Apprendimento Istruttivo Consapevole della Regione per la Segmentazione Semi-Supervisionata dei Denti in CBCT

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

May 6, 2025

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

cs.AI

Abstract

L'apprendimento semi-supervisionato è diventato un approccio convincente per la segmentazione 3D dei denti da scansioni CBCT, dove i dati etichettati sono scarsi. Tuttavia, i metodi esistenti affrontano ancora due sfide persistenti: una supervisione correttiva limitata nelle regioni strutturalmente ambigue o erroneamente etichettate durante l'addestramento supervisionato e il degrado delle prestazioni causato da pseudo-etichette inaffidabili sui dati non etichettati. Per affrontare questi problemi, proponiamo il Region-Aware Instructive Learning (RAIL), un framework semi-supervisionato a doppio gruppo e doppio studente. Ogni gruppo contiene due modelli studente guidati da una rete insegnante condivisa. Alternando l'addestramento tra i due gruppi, RAIL promuove il trasferimento di conoscenza intergruppo e un'istruzione collaborativa basata sulla regione, riducendo al contempo l'overfitting alle caratteristiche di un singolo modello. Nello specifico, RAIL introduce due meccanismi istruttivi. Il Disagreement-Focused Supervision (DFS) Controller migliora l'apprendimento supervisionato istruendo le previsioni solo nelle aree in cui le uscite degli studenti divergono sia dalla verità di base che dal miglior studente, concentrando così la supervisione sulle aree strutturalmente ambigue o erroneamente etichettate. Nella fase non supervisionata, il Confidence-Aware Learning (CAL) Modulator rafforza l'accordo nelle regioni con elevata certezza del modello, riducendo l'effetto delle previsioni a bassa confidenza durante l'addestramento. Questo aiuta a prevenire l'apprendimento di pattern instabili e migliora l'affidabilità complessiva delle pseudo-etichette. Esperimenti estesi su quattro dataset di segmentazione dentale CBCT dimostrano che RAIL supera i metodi all'avanguardia in condizioni di annotazione limitata. Il nostro codice sarà disponibile all'indirizzo 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.