의료 영상 분할을 위한 품질 유도 준지도 학습

초록

정확한 의료 영상 분할 모델을 훈련하려면 대량의 밀집 주석 데이터가 필요하며, 이를 획득하는 데는 많은 비용과 시간이 소요된다. 반지도 학습(SSL)은 풍부한 레이블이 없는 데이터와 제한된 레이블이 있는 데이터를 모두 학습함으로써 이러한 문제를 완화한다. 그러나 대부분의 현대 SSL 방법은 레이블이 없는 데이터에 대해 의사 레이블에 의존하며, 일반적으로 모델 신뢰도나 불확실성을 통해 그 신뢰성을 평가하는데, 이러한 척도는 자기참조적이며 분할 품질에 대한 명시적 근거가 부족하다. 이에 본 연구에서는 분할 품질을 추정하는 전용 네트워크를 이미지-마스크 쌍으로부터 학습하는 품질 기반 SSL 프레임워크를 제안한다. 품질 예측기는 부분 학습된 분할 모델의 불완전한 출력에 합성 변형을 추가하여 생성된 다양한 품질의 마스크로 훈련되며, 훈련 중 발생하는 현실적인 오류 패턴을 포착한다. 우리는 품질 예측기를 두 가지 상호 보완적 메커니즘, 즉 품질 인식 정규화 손실과 품질 기반 의사 레이블 샘플 재가중치 기법을 통해 SSL에 통합한다. 본 방법이 기존 SSL 프레임워크에 쉽게 적용할 수 있는 개선책임을 보여준다. 다섯 개의 데이터셋과 여러 아키텍처에 걸친 광범위한 실험을 통해 경쟁 SSL 방법 대비 일관된 성능 향상을 입증하였으며, 반지도 의료 영상 분할 분야의 최첨단 성능을 한 단계 끌어올렸다.

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.