Modèle PICK pour la segmentation semi-supervisée d’images médicales

Contexte académique

La segmentation d’images médicales est d’une importance cruciale dans la pratique clinique, car elle fournit des informations vitales sur les caractéristiques des organes ou des tumeurs, telles que le volume, la localisation et la forme. Ces dernières années, les modèles basés sur l’apprentissage profond ont montré des performances exceptionnelles dans les tâches de segmentation d’images médicales. Cependant, ces modèles nécessitent généralement une grande quantité de données annotées. Étant donné que l’annotation des images médicales nécessite l’expertise de cliniciens spécialisés, l’obtention de ces données est à la fois coûteuse et chronophage. Par conséquent, améliorer les performances des modèles avec des données annotées limitées est devenu un problème de recherche important.

L’apprentissage semi-supervisé (Semi-Supervised Learning, SSL) est une méthode efficace pour résoudre ce problème en exploitant à la fois des données annotées limitées et une grande quantité de données non annotées. Les méthodes SSL existantes se divisent principalement en deux catégories : l’étiquetage pseudo (Pseudo-labeling) et l’entraînement collaboratif basé sur la cohérence (Consistency-based Co-training). Cependant, ces méthodes introduisent souvent des prédictions erronées lors du traitement des données non annotées, ce qui affecte les performances du modèle. Pour résoudre ce problème, cet article propose un nouveau modèle de segmentation semi-supervisée d’images médicales, PICK (Predict and Mask for Semi-Supervised Medical Image Segmentation), qui exploite efficacement les données non annotées en masquant et en reconstruisant les régions d’attention guidées par des pseudo-étiquettes.

Source de l’article

Cet article a été co-écrit par Qingjie Zeng, Zilin Lu, Yutong Xie et Yong Xia, respectivement affiliés au Laboratoire national d’ingénierie pour les technologies d’application des mégadonnées aérospatiales et océaniques de l’Université polytechnique du Nord-Ouest, à l’Institut d’apprentissage automatique de l’Université d’Adélaïde en Australie, à l’Institut de recherche et développement de l’Université polytechnique du Nord-Ouest à Shenzhen et à l’Institut de Ningbo de l’Université polytechnique du Nord-Ouest. L’article a été accepté par l’International Journal of Computer Vision le 9 décembre 2024 et publié officiellement en 2025.

Contenu de la recherche

Processus de recherche

L’idée centrale du modèle PICK est d’extraire des informations utiles à partir des données non annotées en masquant et en reconstruisant les régions d’attention guidées par des pseudo-étiquettes. Le modèle comprend un encodeur partagé et trois décodeurs spécifiques à des tâches : un décodeur principal, un décodeur de modélisation d’image masquée (Masked Image Modeling, MIM) et un décodeur auxiliaire.

1. Décodeur principal : Le décodeur principal est supervisé uniquement par des données annotées et génère des pseudo-étiquettes pour les données non annotées, identifiant les régions cibles potentielles dans les données non annotées.
2. Décodeur MIM : Le décodeur MIM optimise la tâche de reconstruction en masquant et en reconstruisant les régions cibles, améliorant ainsi la compréhension des sémantiques cibles par l’encodeur.
3. Décodeur auxiliaire : Le décodeur auxiliaire apprend à partir des images reconstruites, et ses prédictions sont contraintes par le décodeur principal, résolvant ainsi les conflits entre les tâches de segmentation et de reconstruction.

Résultats expérimentaux

Le modèle PICK a été évalué sur cinq ensembles de données de référence pour la segmentation d’images médicales, y compris la segmentation d’organes/tumeurs uniques, la segmentation multi-organes et les tâches de généralisation de domaine. Les résultats expérimentaux montrent que PICK surpasse les méthodes les plus avancées dans plusieurs tâches. Par exemple, dans la tâche de segmentation des tumeurs pulmonaires, PICK obtient un coefficient Dice supérieur de 2,46 % à celui du meilleur concurrent, CauSSL, en utilisant 20 % des données annotées.

Conclusion et signification

Le modèle PICK propose une nouvelle méthode d’apprentissage semi-supervisé en introduisant une tâche de masquage et de reconstruction guidée par des pseudo-étiquettes, améliorant significativement la précision de la segmentation d’images médicales. Cette méthode résout non seulement le problème de propagation des erreurs de pseudo-étiquettes dans les méthodes SSL existantes, mais améliore également la capacité de représentation des caractéristiques de l’encodeur grâce à la tâche MIM. L’application réussie de PICK fournit une solution efficace et robuste pour le domaine de la segmentation d’images médicales, avec une valeur scientifique et pratique importante.

Points forts de la recherche

1. Stratégie innovante de masquage et de reconstruction : PICK extrait des informations utiles à partir des données non annotées en masquant et en reconstruisant les régions d’attention guidées par des pseudo-étiquettes, améliorant significativement les performances du modèle.
2. Conception multi-décodeurs : PICK résout efficacement les conflits entre les tâches de segmentation et de reconstruction grâce à la collaboration entre le décodeur principal, le décodeur MIM et le décodeur auxiliaire.
3. Validation expérimentale étendue : PICK montre des performances exceptionnelles dans plusieurs tâches de segmentation d’images médicales, démontrant sa polyvalence et sa robustesse dans différents contextes.

Autres informations utiles

Le code du modèle PICK est disponible en open source sur GitHub, permettant aux chercheurs d’accéder au code et de poursuivre leurs recherches et applications : Code PICK.

Résumé

Le modèle PICK propose une nouvelle méthode de segmentation semi-supervisée d’images médicales grâce à une stratégie innovante de masquage et de reconstruction, améliorant significativement les performances du modèle. Cette méthode montre des résultats exceptionnels dans plusieurs tâches de segmentation d’images médicales et ouvre de nouvelles perspectives pour la recherche future. Avec le développement continu des technologies de segmentation d’images médicales, le modèle PICK est susceptible de jouer un rôle plus important dans la pratique clinique, fournissant aux médecins des outils de diagnostic plus précis.