SemiGDA：半教師あり医用画像セグメンテーションのための生成的デュアル分布アライメント

要旨: セミ教師あり学習は、ラベル付きデータの不足や高い注釈コストという医用画像セグメンテーション上の課題に対し、ラベルなしデータに含まれる潜在情報を活用してモデル性能を向上させることで対応する。従来の識別型セグメンテーションはセグメンテーションマスクに依存し、特徴レベルでの分布制約を無視している。このことは、少数ラベルの状況において、頑健な意味表現学習とラベルなしデータの適応的モデリングを制限する。これらの制約に対処するため、我々はセミ教師あり医用画像セグメンテーションのための新しい生成的デュアル分布整合フレームワークであるSemiGDAを提案する。我々のSemiGDAは、特徴と意味の分布を整合させることで、意味学習とシーン適応性を高め、識別型手法が大規模なラベル付きデータに依存することを克服する。具体的には、画像とマスクの特徴分布をモデル化するために、構造的に異なる2つのエンコーダを用いるデュアル分布整合モジュール（DAM）を提案する。分布的制約を通じて潜在空間上でそれらの整合を強制し、構造化された特徴の一貫性を確立する。さらに、スキップ接続を介してマルチスケールの特徴を融合するために、デュアルのスキップアダプタ（画像とマスク）を導入する整合性駆動型スキップアダプタ（CDSA）戦略も設計する。整合性損失を用いることで、CDSAは分岐間の意味整合を強化し、きめ細かな意味の一貫性を強固にする。多様な医用データセットに対する実験結果は、我々の手法が他の最先端のセミ教師ありセグメンテーション手法よりも優れていることを示している。コードは次で公開: https://github.com/taozh2017/SemiGDA。