RAIL: Aprendizado Instrucional Consciente da Região para Segmentação Semissupervisionada de Dentes em CBCT

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

May 6, 2025

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

cs.AI

Resumo

O aprendizado semi-supervisionado tornou-se uma abordagem convincente para a segmentação 3D de dentes a partir de tomografias computadorizadas de feixe cônico (CBCT), onde os dados rotulados são escassos. No entanto, os métodos existentes ainda enfrentam dois desafios persistentes: supervisão corretiva limitada em regiões estruturalmente ambíguas ou mal rotuladas durante o treinamento supervisionado e degradação de desempenho causada por pseudo-rótulos não confiáveis em dados não rotulados. Para resolver esses problemas, propomos o Aprendizado Instrucional Consciente da Região (RAIL), uma estrutura semi-supervisionada de duplo grupo e duplo estudante. Cada grupo contém dois modelos estudante orientados por uma rede professora compartilhada. Ao alternar o treinamento entre os dois grupos, o RAIL promove a transferência de conhecimento intergrupo e a instrução colaborativa consciente da região, reduzindo o sobreajuste às características de qualquer modelo individual. Especificamente, o RAIL introduz dois mecanismos instrucionais. O Controlador de Supervisão Focada em Divergência (DFS) melhora o aprendizado supervisionado ao instruir previsões apenas em áreas onde as saídas dos estudantes divergem tanto da verdade fundamental quanto do melhor estudante, concentrando assim a supervisão em áreas estruturalmente ambíguas ou mal rotuladas. Na fase não supervisionada, o Modulador de Aprendizado Consciente da Confiança (CAL) reforça o acordo em regiões com alta certeza do modelo, enquanto reduz o efeito de previsões de baixa confiança durante o treinamento. Isso ajuda a evitar que nosso modelo aprenda padrões instáveis e melhora a confiabilidade geral dos pseudo-rótulos. Experimentos extensivos em quatro conjuntos de dados de segmentação de dentes CBCT mostram que o RAIL supera os métodos mais avançados sob anotação limitada. Nosso código estará disponível em 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.