Kwaliteitsgestuurd semi-gesuperviseerd leren voor medische beeldsegmentatie

Samenvatting

Het trainen van nauwkeurige medische beeldsegmentatiemodellen vereist grote hoeveelheden dicht geannoteerde data, wat kostbaar en tijdrovend is om te verkrijgen. Semi-gesuperviseerd leren (SSL) verlicht dit door te leren van zowel overvloedige ongelabelde data als beperkte gelabelde data. Echter, de meeste moderne SSL-methoden vertrouwen op pseudolabels voor ongelabelde data, en beoordelen doorgaans hun betrouwbaarheid via modelvertrouwen of onzekerheid, maten die zelfreferentieel zijn en geen expliciete basis hebben in segmentatiekwaliteit. In plaats daarvan stellen wij een kwaliteitsgestuurd SSL-raamwerk voor dat een speciaal netwerk traint om de segmentatiekwaliteit te schatten op basis van beeld-maskerparen. De voorspeller wordt getraind op maskers van variabele kwaliteit, gegenereerd door synthetische corrupties aangevuld met imperfecte uitvoer van gedeeltelijk getrainde segmentatiemodellen, waardoor realistische foutpatronen worden vastgelegd die tijdens de training voorkomen. We integreren de kwaliteitsvoorspeller in SSL via twee complementaire mechanismen: een kwaliteitsbewust regularisatieverlies en een op kwaliteit gebaseerd herwegingsschema voor pseudolabelmonsters. We tonen aan dat onze methode fungeert als een direct toepasbare verbetering voor bestaande SSL-raamwerken. Uitgebreide experimenten over vijf datasets en meerdere architecturen tonen consistente verbeteringen aan ten opzichte van concurrerende SSL-methoden, waarmee de state-of-the-art in semi-gesuperviseerde medische beeldsegmentatie wordt bevorderd.

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.