Core Concepts
제한된 레이블 데이터로 인한 프로토타입의 표현력 한계를 해결하기 위해, 혼합 데이터 프로토타입을 활용하여 레이블 및 무레이블 프로토타입의 의미 정보를 향상시키고 이를 통해 고품질의 전역 프로토타입을 생성하여 일관성 학습을 최적화한다.
Abstract
이 논문은 반자동 의료 영상 분할을 위한 혼합 프로토타입 일관성 학습(MPCL) 프레임워크를 제안한다. MPCL은 Mean Teacher 구조와 보조 네트워크를 활용하여 기존 프로토타입 기반 방법의 한계를 해결한다.
먼저, 교사 및 학생 네트워크를 통해 레이블 및 무레이블 데이터의 프로토타입을 생성하고, CutMix를 통해 혼합 데이터를 생성한 후 보조 네트워크로 혼합 프로토타입을 추가로 생성한다. 이렇게 생성된 혼합 프로토타입을 레이블 및 무레이블 프로토타입과 융합하여 의미 정보를 향상시킨다. 최종적으로 향상된 레이블 및 무레이블 프로토타입을 융합하여 고품질의 전역 프로토타입을 생성하고, 이를 활용하여 일관성 학습을 수행한다.
실험 결과, 왼쪽 심방 및 B형 대동맥 박리 데이터셋에서 MPCL이 기존 최신 기법들을 뛰어넘는 성능을 보였다. 이는 혼합 프로토타입 학습이 제한된 레이블 데이터의 한계를 효과적으로 극복할 수 있음을 보여준다.
Stats
레이블 데이터 8개(20%)와 무레이블 데이터 64개(80%)를 사용한 경우, 왼쪽 심방 데이터셋에서 Dice 91.98%, Jaccard 85.02%, 95HD 4.77, ASD 1.58의 성능을 달성했다.
B형 대동맥 박리 데이터셋에서 레이블 데이터 20%, 무레이블 데이터 80%를 사용한 경우 True Lumen Dice 83.83%, False Lumen Dice 76.05%, 평균 Dice 79.94%, 평균 Jaccard 71.94%, 평균 95HD 3.63, 평균 ASD 0.74의 성능을 달성했다.
Quotes
"제한된 레이블 데이터로 인한 프로토타입의 표현력 한계를 해결하기 위해, 혼합 데이터 프로토타입을 활용하여 레이블 및 무레이블 프로토타입의 의미 정보를 향상시키고 이를 통해 고품질의 전역 프로토타입을 생성하여 일관성 학습을 최적화한다."
"실험 결과, 왼쪽 심방 및 B형 대동맥 박리 데이터셋에서 MPCL이 기존 최신 기법들을 뛰어넘는 성능을 보였다. 이는 혼합 프로토타입 학습이 제한된 레이블 데이터의 한계를 효과적으로 극복할 수 있음을 보여준다."