제한된 레이블 데이터 환경에서 적응형 가중치 전략을 적용한 준지도학습 기반 반월상 연골 분할
Semi-supervised meniscus segmentation with adaptive weighting strategies in a limited labeled data environment
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
반월상 연골 이식편 이식 수술은 손상된 반월상 연골을 치료하는 주요 방법으로, 이식편의 적절한 크기와 형태를 결정하기 위해 정확한 반월상 연골 분할이 필수적이다. 그러나 반월상 연골은 주변 구조물과 밝기값이 유사하고, 형태와 두께가 다양하게 나타나기 때문에 분할이 어렵다. 본 논문에서는 무릎 MR 영상에서 모델의 일반화 성능을 향상시키고, 반월상 연골의 다양한 형태와 두께를 효과적으로 고려하여 분할 성능을 개선하는 것을목표로 한다. 이를 위해 적은 레이블 데이터로도 효과적인 학습이 가능한 준지도학습 모델을 제안한다. 실험결과, 제안된 방법은 재현율 93.28%, F1-score 90.02%, 균형 정확도 96.42%를 보이며 가장 높은 성능을 달성하였고, 과소분할 문제를 개선하여 83개의 레이블 데이터를 사용한 지도학습 모델보다 0.8%p 높은 재현율을 나타내었다.
Abstract
Meniscus allograft transplantation is a primary method for treating damaged meniscus, and accurate segmentation is essential to determine the appropriate size and shape of the graft. However, meniscus segmentation is challenging due to the similar intensity between the meniscus and surrounding structures, as well as the variability in its shape and thickness. In this pape r, we aim to enhance the generalization performance of models on knee MR images and improve segmentation accuracy by effectively accounting for the diverse shapes and thicknesses of the meniscus. To this end, we propose a semi-supervised le arning model capable of effective training even with limited labeled data. Experimental results demonstrate that the proposed method achieved the highest performance with a recall of 93.28%, an F1-score of 90.02%, and a balanced accuracy of 96.4 2%, and by addressing the under-segmentation issue. it achieved a recall that is 0.8%p higher than that of the supervised le arning model trained with 83 labeled data