Aprendizado Semissupervisionado Orientado pela Qualidade para Segmentação de Imagens Médicas

Resumo

Treinar modelos precisos de segmentação de imagens médicas requer grandes quantidades de dados densamente anotados, o que é caro e demorado de obter. O aprendizado semissupervisionado (SSL) ameniza esse problema ao aprender tanto a partir de dados não rotulados abundantes quanto de dados rotulados limitados. No entanto, a maioria dos métodos modernos de SSL depende de pseudo-rótulos para dados não rotulados e tipicamente avalia sua confiabilidade por meio da confiança ou incerteza do modelo, medidas que são autorreferenciais e carecem de fundamentação explícita na qualidade da segmentação. Em vez disso, propomos uma estrutura de SSL guiada pela qualidade, que treina uma rede dedicada para estimar a qualidade da segmentação a partir de pares imagem-máscara. O preditor é treinado em máscaras de qualidade variável geradas por meio de corrupções sintéticas aumentadas com saídas imperfeitas de modelos de segmentação parcialmente treinados, capturando padrões realistas de erro encontrados durante o treinamento. Integramos o preditor de qualidade ao SSL por meio de dois mecanismos complementares: uma perda de regularização consciente da qualidade e um esquema de reponderação de amostras baseado na qualidade dos pseudo-rótulos. Mostramos que nosso método serve como uma melhoria plug-and-play para estruturas de SSL existentes. Experimentos extensivos em cinco conjuntos de dados e múltiplas arquiteturas demonstram melhorias consistentes em relação a métodos concorrentes de SSL, avançando o estado da arte em segmentação semissupervisionada de imagens médicas.

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.