医用画像セグメンテーションのための品質誘導型半教師あり学習

要旨

高精度な医用画像セグメンテーションモデルの学習には、大量の密にアノテーションされたデータが必要であり、その取得にはコストと時間がかかる。半教師あり学習（SSL）は、豊富なラベルなしデータと限られたラベル付きデータの両方から学習することで、この問題を緩和する。しかし、現代のSSL手法の大半はラベルなしデータに対して擬似ラベルに依存しており、その信頼性をモデルの信頼度や不確実性を通じて評価するのが一般的であるが、これらの尺度は自己言及的であり、セグメンテーション品質に明示的に基づいていない。そこで本研究では、画像・マスクペアからセグメンテーション品質を推定する専用のネットワークを学習する、品質誘導型SSLフレームワークを提案する。品質予測器は、合成劣化と部分学習済みセグメンテーションモデルからの不完全な出力を組み合わせて生成された、品質が変動するマスクを用いて学習され、学習中に遭遇する現実的なエラーパターンを捉える。品質予測器をSSLに統合するために、品質認識正則化損失と品質に基づく擬似ラベルサンプルの再重み付けという2つの相補的メカニズムを用いる。本手法が既存のSSLフレームワークへのドロップイン強化として機能することを示す。5つのデータセットと複数のアーキテクチャにわたる広範な実験により、競合するSSL手法に対する一貫した改善が実証され、半教師あり医用画像セグメンテーションにおける最先端を前進させる。

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.