RAIL: Regiogebonden Instructieve Leerstrategie voor Semi-gestuurde Tandsegmentatie in CBCT

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

May 6, 2025

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

cs.AI

Samenvatting

Semi-gestuurd leren is een overtuigende benadering geworden voor 3D-tandsegmentatie uit CBCT-scans, waar gelabelde gegevens schaars zijn. Bestaande methoden kampen echter nog steeds met twee hardnekkige uitdagingen: beperkte correctieve supervisie in structureel ambiguë of verkeerd gelabelde regio's tijdens het gestuurde trainingsproces en prestatievermindering veroorzaakt door onbetrouwbare pseudo-labels op ongelabelde gegevens. Om deze problemen aan te pakken, stellen we Region-Aware Instructive Learning (RAIL) voor, een semi-gestuurd raamwerk met een dubbele groep en dubbele studenten. Elke groep bevat twee studentmodellen die worden begeleid door een gedeeld lerarennetwerk. Door afwisselend te trainen tussen de twee groepen, bevordert RAIL intergroep kennisoverdracht en samenwerkende regio-gerichte instructie, terwijl overfitting aan de kenmerken van een enkel model wordt verminderd. Specifiek introduceert RAIL twee instructieve mechanismen. De Disagreement-Focused Supervision (DFS) Controller verbetert het gestuurde leren door voorspellingen alleen te instrueren binnen gebieden waar de uitvoer van studenten afwijkt van zowel de grondwaarheid als de beste student, waardoor de supervisie wordt geconcentreerd op structureel ambiguë of verkeerd gelabelde gebieden. In de ongestuurde fase versterkt de Confidence-Aware Learning (CAL) Modulator overeenstemming in regio's met een hoge modelzekerheid, terwijl het effect van voorspellingen met een lage betrouwbaarheid tijdens de training wordt verminderd. Dit helpt voorkomen dat ons model onstabiele patronen leert en verbetert de algehele betrouwbaarheid van pseudo-labels. Uitgebreide experimenten op vier CBCT-tandsegmentatiedatasets tonen aan dat RAIL state-of-the-art methoden overtreft bij beperkte annotatie. Onze code zal beschikbaar zijn op https://github.com/Tournesol-Saturday/RAIL.

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.