Качественно-управляемое полуконтролируемое обучение для сегментации медицинских изображений

Аннотация

Обучение точных моделей сегментации медицинских изображений требует больших объемов плотно аннотированных данных, получение которых является дорогостоящим и трудоемким. Полуконтролируемое обучение (SSL) смягчает эту проблему за счет обучения как на обширных неразмеченных данных, так и на ограниченных размеченных данных. Однако большинство современных методов SSL полагаются на псевдо-метки для неразмеченных данных и обычно оценивают их надежность через уверенность модели или неопределенность — показатели, которые являются самореферентными и не имеют явной привязки к качеству сегментации. Вместо этого мы предлагаем SSL-фреймворк, управляемый качеством, который обучает выделенную сеть оценивать качество сегментации по парам изображение-маска. Предсказатель обучается на масках переменного качества, созданных с помощью синтетических искажений, дополненных несовершенными выходами частично обученных моделей сегментации, что позволяет улавливать реалистичные шаблоны ошибок, встречающиеся в процессе обучения. Мы интегрируем предсказатель качества в SSL с помощью двух взаимодополняющих механизмов: регуляризационной потери с учетом качества и схемы перевзвешивания выборок псевдо-меток на основе качества. Мы показываем, что наш метод служит встраиваемым улучшением для существующих SSL-фреймворков. Обширные эксперименты на пяти наборах данных и нескольких архитектурах демонстрируют стабильные улучшения по сравнению с конкурирующими методами SSL, продвигая передовой уровень в полуконтролируемой сегментации медицинских изображений.

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.