医用超音波画像分割における半教師あり学習と対照学習のためのマルチスケールスイッチ

要約: 医用超音波画像のセグメンテーションは、ラベル付きデータの不足と、スペックルノイズや低コントラストの境界といった特徴的なイメージアーティファクトを含むため、重要な課題に直面しています。データ不足を解決するために半教師あり学習（SSL）アプローチが登場していますが、既存の手法はラベルなしデータの活用が最適ではなく、頑健な特徴表現メカニズムを欠いています。本論文では、二つの重要な革新を備えた新規SSLフレームワークSwitchを提案します: (1) Multiscale Switch (MSS) 戦略は、階層的なパッチ混合を用いて均一な空間カバレッジを実現します。 (2) Frequency Domain Switch (FDS) は、フーリエ空間で振幅のスイッチを行う対照学習を組み込み、頑健な特徴表現を実現します。 本フレームワークは、教師-学生アーキテクチャのもとでこれらの要素を統合し、ラベル付きデータとラベルなしデータの両方を効果的に活用します。 6つの多様な超音波データセット（リンパ節、乳腺病変、甲状腺結節、前立腺を含む）に対する総合評価は、最先端の手法に対して一貫して優位性を示します。 ラベル付け比率が5%のとき、Switchは顕著な改善を達成します：LN-INTデータセットで80.04%の Dice係数、DDTIデータセットで85.52%の Dice係数、前立腺データセットで83.48%の Dice係数。 私たちの半教師ありアプローチは、完全な教師ありベースラインを上回ることさえあります。 この手法は、パラメータ効率（1.8Mパラメータ）を維持しつつ高い性能を提供し、リソース制約のある医用画像処理アプリケーションに対する有効性を裏付けます。 ソースコードは以下のURLで公開されています：https://github.com/jinggqu/Switch