Interruttore Multiscala per Apprendimento Semi-Supervisionato e Contrastivo nella Segmentazione di Immagini Mediche Ecografiche

Abstract

La segmentazione delle immagini ecografiche mediche affronta sfide significative a causa della limitata disponibilità di dati etichettati e dei caratteristici artefatti di imaging, tra cui il rumore speckle e i bordi a basso contrasto. Sebbene gli approcci di apprendimento semi-supervisionato (SSL) siano emersi per affrontare la scarsità di dati, i metodi esistenti soffrono di un utilizzo subottimale dei dati non etichettati e della mancanza di meccanismi robusti di rappresentazione delle feature. In questo articolo, proponiamo Switch, un nuovo framework SSL con due innovazioni chiave: (1) la strategia Multiscale Switch (MSS) che impiega un mixing gerarchico di patch per ottenere una copertura spaziale uniforme; (2) il Frequency Domain Switch (FDS) con apprendimento contrastivo che esegue lo switching di ampiezza nello spazio di Fourier per rappresentazioni di feature robuste. Il nostro framework integra questi componenti all'interno di un'architettura teacher-student per sfruttare efficacemente sia i dati etichettati che quelli non etichettati. Una valutazione completa su sei diversi dataset ecografici (linfonodi, lesioni mammarie, noduli tiroidei e prostata) dimostra una superiorità consistente rispetto ai metodi allo stato dell'arte. Con un rapporto di etichettatura del 5%, Switch raggiunge miglioramenti notevoli: 80,04% di Dice su LN-INT, 85,52% di Dice su DDTI e 83,48% di Dice sui dataset della prostata, con il nostro approccio semi-supervisionato che supera persine i baseline fully supervised. Il metodo mantiene l'efficienza dei parametri (1,8M di parametri) fornendo al contempo prestazioni superiori, convalidando la sua efficacia per le applicazioni di imaging medico con risorse limitate. Il codice sorgente è pubblicamente disponibile all'indirizzo 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

Interruttore Multiscala per Apprendimento Semi-Supervisionato e Contrastivo nella Segmentazione di Immagini Mediche Ecografiche

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

Abstract

Support