RAIL: CBCTにおける半教師あり歯科セグメンテーションのための領域認識型指導学習

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

May 6, 2025

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

cs.AI

要旨

半教師あり学習は、CBCTスキャンからの3D歯科セグメンテーションにおいて、ラベル付きデータが限られている状況で有力なアプローチとなっています。しかし、既存の手法では依然として2つの課題が残っています。1つは、教師あり学習中に構造的に曖昧な領域や誤ラベルが付いた領域での修正的な監督が限られていること、もう1つは、ラベルなしデータに対する信頼性の低い擬似ラベルによる性能低下です。これらの問題を解決するため、我々はRegion-Aware Instructive Learning (RAIL)を提案します。RAILは、デュアルグループ・デュアルステューデントの半教師あり学習フレームワークであり、各グループは共有の教師ネットワークによって導かれる2つの学生モデルを含みます。2つのグループ間で交互に学習を行うことで、RAILはグループ間の知識転送と協調的な領域認識指導を促進し、単一モデルの特性への過剰適合を軽減します。具体的には、RAILは2つの指導メカニズムを導入します。Disagreement-Focused Supervision (DFS) Controllerは、学生の出力が正解データと最良の学生モデルの両方から乖離している領域のみに予測を指導することで、構造的に曖昧な領域や誤ラベルが付いた領域に監督を集中させ、教師あり学習を改善します。教師なし学習段階では、Confidence-Aware Learning (CAL) Modulatorが、モデルの確信度が高い領域での一致を強化し、学習中の低信頼度予測の影響を軽減します。これにより、不安定なパターンを学習することを防ぎ、擬似ラベルの全体的な信頼性を向上させます。4つのCBCT歯科セグメンテーションデータセットでの大規模な実験により、RAILが限られたアノテーション下で最先端の手法を凌駕することが示されました。我々のコードはhttps://github.com/Tournesol-Saturday/RAILで公開予定です。

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.