Meerschalige Schakelaar voor Semi-gesuperviseerd en Contrastief Leren bij Segmentatie van Medische Echobeelden

Samenvatting

Medische ultrasone beeldsegmentatie wordt geconfronteerd met aanzienlijke uitdagingen als gevolg van beperkte gelabelde data en karakteristieke beeldartefacten, waaronder speckle-ruis en grenzen met laag contrast. Hoewel semi-gesuperviseerde leerbenaderingen (SSL) zijn ontstaan om het datatekort aan te pakken, lijden bestaande methoden onder suboptimale benutting van ongelabelde data en ontbreekt het hen aan robuuste mechanismen voor feature-representatie. In dit artikel stellen we Switch voor, een nieuw SSL-raamwerk met twee belangrijke innovaties: (1) een Multischaal Switch (MSS)-strategie die hiërarchische patch-mixing gebruikt om uniforme ruimtelijke dekking te bereiken; (2) Frequentiedomein Switch (FDS) met contrastief leren dat amplitude-switching uitvoert in de Fourier-ruimte voor robuuste feature-representaties. Ons raamwerk integreert deze componenten binnen een leraar-leerlingarchitectuur om zowel gelabelde als ongelabelde data effectief te benutten. Een uitgebreide evaluatie over zes diverse ultrasone datasets (lymfeklieren, borstlaesies, schildklierknobbels en prostaat) toont consistente superioriteit ten opzichte van state-of-the-art methoden. Bij een labelratio van 5% behaalt Switch opmerkelijke verbeteringen: 80,04% Dice op LN-INT, 85,52% Dice op DDTI en 83,48% Dice op de Prostate-datasets, waarbij onze semi-gesuperviseerde aanpak zelfs volledig gesuperviseerde basislijnen overtreft. De methode behoudt parameter-efficiëntie (1,8M parameters) en levert superieure prestaties, wat de effectiviteit ervan voor resource-beperkte medische beeldvormingstoepassingen valideert. De broncode is openbaar beschikbaar op https://github.com/jinggqu/Switch.

English

Medical ultrasound image segmentation faces significant challenges due to limited labeled data and characteristic imaging artifacts including speckle noise and low-contrast boundaries. While semi-supervised learning (SSL) approaches have emerged to address data scarcity, existing methods suffer from suboptimal unlabeled data utilization and lack robust feature representation mechanisms. In this paper, we propose Switch, a novel SSL framework with two key innovations: (1) Multiscale Switch (MSS) strategy that employs hierarchical patch mixing to achieve uniform spatial coverage; (2) Frequency Domain Switch (FDS) with contrastive learning that performs amplitude switching in Fourier space for robust feature representations. Our framework integrates these components within a teacher-student architecture to effectively leverage both labeled and unlabeled data. Comprehensive evaluation across six diverse ultrasound datasets (lymph nodes, breast lesions, thyroid nodules, and prostate) demonstrates consistent superiority over state-of-the-art methods. At 5\% labeling ratio, Switch achieves remarkable improvements: 80.04\% Dice on LN-INT, 85.52\% Dice on DDTI, and 83.48\% Dice on Prostate datasets, with our semi-supervised approach even exceeding fully supervised baselines. The method maintains parameter efficiency (1.8M parameters) while delivering superior performance, validating its effectiveness for resource-constrained medical imaging applications. The source code is publicly available at https://github.com/jinggqu/Switch

Meerschalige Schakelaar voor Semi-gesuperviseerd en Contrastief Leren bij Segmentatie van Medische Echobeelden

Multiscale Switch for Semi-Supervised and Contrastive Learning in Medical Ultrasound Image Segmentation

Samenvatting

Support