H-SemiS：半教師あり学習と自己教師あり学習の階層的フュージョンによる膝関節症重症度の評価

概要: 膝関節症（KOA）は退行性関節疾患であり、慢性的な痛み、可動性の低下、長期にわたる障害につながり得ます。膝部X線写真からの自動重症度評価は早期の評価を支援できますが、現在の手法は大規模なラベル付きデータセットへの依存が強く、クラス不均衡、ノイズを含むサンプル、臨床注釈のばらつきに対しても敏感です。これらの制約を緩和するために、本研究では、限られた注釈データを用いた膝X線サンプルにおけるKOA重症度評価のための、半教師あり枠組みに自己教師ありを組み合わせた階層的融合（H-SemiS）を提案します。重症度評価を平坦な多クラス問題として扱うのではなく、H-SemiSは、半教師ありの教師-生徒アーキテクチャ内で、その課題を一連の2値サブタスクへと分解します。これにより、クラス不均衡の影響を直接的に低減します。さらに、ラベルなしデータからの特徴学習を強化するために、本枠組みは、ネットワークが頑健な解剖学的構造を捉えることを促す敵対的な自己教師あり再構成モジュールを統合します。並行して、擬似ラベルがノイズを含む場合でも、量子に着想を得た特徴混合を用いる教師-生徒設計により、隣接する等級間の判別境界が改善されます。提案するH-SemiSを2つの難易度の高い多クラスデータセットで包括的に評価し、さらに2つの2値クラスデータセットに対して汎化性能を評価します。実験結果は、提案したH-SemiSフレームワークが複数の評価指標において優れており、複数の競合するベースラインおよび最先端手法を一貫して上回ることを示しています。コードは https://github.com/chandravardhan-singh-raghaw/H-SemiS で公開されています。