RAIL: CBCT에서 반지도 학습 기반 치아 분할을 위한 영역 인식 지시 학습

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

May 6, 2025

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

cs.AI

초록

CBCT 스캔에서 3D 치아 분할을 위한 준지도 학습(semi-supervised learning)은 레이블 데이터가 부족한 상황에서 매우 유망한 접근 방식으로 자리 잡았습니다. 그러나 기존 방법들은 여전히 두 가지 지속적인 문제에 직면해 있습니다: 지도 학습 중 구조적으로 모호하거나 잘못 레이블된 영역에서의 제한된 교정 지도(supervision), 그리고 레이블이 없는 데이터에서 신뢰할 수 없는 의사 레이블(pseudo-label)로 인한 성능 저하입니다. 이러한 문제를 해결하기 위해, 우리는 이중 그룹 이중 학생(dual-group dual-student) 구조의 준지도 학습 프레임워크인 Region-Aware Instructive Learning(RAIL)을 제안합니다. 각 그룹은 공유된 교사 네트워크(teacher network)에 의해 지도받는 두 개의 학생 모델(student model)로 구성됩니다. RAIL은 두 그룹 간의 교대 학습을 통해 그룹 간 지식 전달과 협력적인 영역 인식 지도(region-aware instruction)를 촉진하면서 단일 모델의 특성에 과적합(overfitting)되는 것을 줄입니다. 구체적으로, RAIL은 두 가지 지도 메커니즘을 도입합니다. Disagreement-Focused Supervision(DFS) Controller는 학생 모델의 예측이 실제 정답(ground truth)과 최고의 학생 모델 모두와 다른 영역에서만 지도를 집중함으로써 구조적으로 모호하거나 잘못 레이블된 영역에 대한 지도를 개선합니다. 비지도 학습 단계에서는 Confidence-Aware Learning(CAL) Modulator가 모델의 확신도가 높은 영역에서의 일치를 강화하고, 학습 중 낮은 신뢰도의 예측의 영향을 줄입니다. 이는 모델이 불안정한 패턴을 학습하는 것을 방지하고 의사 레이블의 전반적인 신뢰성을 향상시킵니다. 네 가지 CBCT 치아 분할 데이터셋에서의 광범위한 실험을 통해 RAIL이 제한된 주석 하에서 최신 기술(state-of-the-art) 방법을 능가함을 보여줍니다. 우리의 코드는 https://github.com/Tournesol-Saturday/RAIL에서 공개될 예정입니다.

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.