RAIL: Регионально-ориентированное обучающее обучение для полуавтоматической сегментации зубов в КЛКТ

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

May 6, 2025

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

cs.AI

Аннотация

Полуавтоматическое обучение стало перспективным подходом для сегментации 3D-зубов по данным КЛКТ (конусно-лучевой компьютерной томографии), где размеченные данные ограничены. Однако существующие методы по-прежнему сталкиваются с двумя устойчивыми проблемами: недостаточным корректирующим контролем в структурно неоднозначных или ошибочно размеченных областях во время контролируемого обучения и ухудшением производительности из-за ненадежных псевдо-меток на неразмеченных данных. Для решения этих проблем мы предлагаем Region-Aware Instructive Learning (RAIL) — полуавтоматическую структуру с двумя группами и двумя студенческими моделями, управляемыми общей учительской сетью. Чередуя обучение между двумя группами, RAIL способствует межгрупповому обмену знаниями и совместному регионально-ориентированному обучению, одновременно снижая переобучение характеристикам любой отдельной модели. В частности, RAIL вводит два обучающих механизма. Контролер Disagreement-Focused Supervision (DFS) улучшает контролируемое обучение, направляя предсказания только в тех областях, где выходы студентов расходятся как с истинными данными, так и с лучшим студентом, тем самым концентрируя контроль на структурно неоднозначных или ошибочно размеченных областях. На этапе неконтролируемого обучения модулятор Confidence-Aware Learning (CAL) усиливает согласованность в областях с высокой уверенностью модели, одновременно снижая влияние предсказаний с низкой уверенностью во время обучения. Это помогает предотвратить обучение модели нестабильным паттернам и повышает общую надежность псевдо-меток. Эксперименты на четырех наборах данных для сегментации зубов по КЛКТ показывают, что RAIL превосходит современные методы при ограниченной аннотации. Наш код будет доступен по адресу 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.