医用画像分割のためのピクセルレベル反事実対照学習

要約: 画像のセグメンテーションは、大量の注釈付きデータセットに依存しており、それは高価で作成に時間がかかる。シルバー標準（AI生成）ラベルは入手が容易だが、偏りを導入するリスクがある。自己教師あり学習は、画像のみを必要とし、事前学習の鍵となっている。最近の研究は、対照学習と反事実生成を組み合わせることで分類の表現学習を改善するが、ピクセルレベルのタスクには容易には拡張できない。私たちは、反事実生成と密な対照学習を、Dual-View（DVD-CL）およびMulti-View（MVD-CL）手法を用いて組み合わせるパイプラインを提案します。これには、利用可能なシルバー標準アノテーションを活用する教師付き変種も含まれます。新しい可視化アルゴリズムとして、Color-coded High Resolution Overlay map（CHRO-map）も導入されます。実験結果は、注釈なしのDVD-CLが他の密な対照学習法より優れていることを示し、一方でシルバー標準ラベルを用いた教師付き変種は、直接シルバー標準ラベル付きデータでの訓練より優れており、難しいデータで約94% DSCを達成します。これらの結果は、反事実とシルバー標準アノテーションによって強化されたピクセルレベルの対照学習が、取得時のばらつきや病理変動に対する頑健性を向上させることを示しています。