チームの最近の成果：落書きアノテーション医学画像分割に向けたFW2SSフレームワーク
私たちのチームは『Neurocomputing』（インパクトファクター：6.5、中国科学院QSCIランクII）に論文「Scribble consistency match and pixel-level prototype contrastive calibration for weakly supervised medical segmentation」を発表しました。本論文は上海大学コンピュータ工学・科学学院を筆頭機関とし、医学画像のピクセルレベルアノテーションに高いコストがかかること、および落書きアノテーションによる教師情報が不十分であることに着目し、弱教師あり医学画像分割フレームワークFW2SSを提案した。
医学画像分割は医学画像解析における重要なタスクであり、主にCTやMRIなどの画像から臓器、組織、病変領域を正確に分離するために用いられ、疾患診断、定量分析、臨床治療に補助的な支援を提供できる。近年、深層学習は分割性能を大幅に向上させたが、通常は大量の精密なピクセルレベルアノテーションに依存している。一方で、医学画像のアノテーションはコストが高く、高度な専門性を必要とするため、弱教師あり医学画像分割が徐々に研究の注目分野となっている。
FW2SSはCNN-Transformerハイブリッド構造に基づき、CNNの局所的な詳細モデリング能力とTransformerの大域的な構造認識能力を組み合わせている。本論文ではScribble Consistency Match技術を提案し、ネットワーク摂動と入力摂動の一貫性学習を通じて、より信頼性の高い密な疑似ラベルを生成し、疎な落書きアノテーションから完全な形状情報を学習できるようにした。同時に、Pixel-level Prototype Contrastive Calibration技術を提案し、高信頼度ピクセルを用いてカテゴリプロトタイプを構築し、対照学習によってクラス内一貫性とクラス間識別性を高めることで、境界領域および細部領域の分割効果を向上させた。
ACDCおよびMSCMRsegデータセットにおける実験により、FW2SSは落書き教師条件下で先進的な性能を達成し、平均Diceはそれぞれ90.0%および88.2%に達し、複数の既存の弱教師あり医学画像分割手法を大きく上回った。本研究は医学画像アノテーションのコストを削減すると同時に分割精度を向上させ、弱教師あり医学画像解析と臨床知能支援に有効な技術的解決策を提供した。
コードリンク：https://github.com/han-yuexing/FW2SS
