반지도 학습 기반 3차원 혈관 분할을 위한 동적 협력 네트워크

Learning Dynamic Collaborative Network for Semi-supervised 3D Vessel Segmentation

본 논문에서는 반지도 학습 기반 3차원 혈관 분할을 위한 새로운 동적 협력 네트워크인 DiCo를 제안합니다. 기존의 평균 지도(Mean Teacher, MT) 방법은 일반적으로 고정된 역할을 가진 정적 모델을 사용합니다. 그러나 3차원 혈관 데이터의 복잡성으로 인해, 교사 모델이 항상 학생 모델보다 우수한 성능을 보이지 않을 수 있으며, 이는 성능을 제한하는 인지적 편향을 야기할 수 있습니다. 이러한 문제를 해결하기 위해, 본 연구에서는 두 모델이 동적으로 교사-학생 역할을 전환할 수 있는 동적 협력 네트워크를 제안합니다. 또한, 의료 전문가의 분석 방식을 모방하여 입력 데이터의 다양한 관점을 포착하기 위한 다중 뷰 통합 모듈을 도입했습니다. 더불어, 레이블이 없는 데이터에서 분할된 혈관의 형태를 제약하기 위해 적대적 감독(adversarial supervision)을 통합했습니다. 이 과정에서, 3차원 볼륨을 2차원 뷰로 투영하여 레이블 불일치 문제를 완화합니다. 실험 결과, DiCo 방법이 세 가지 3차원 혈관 분할 벤치마크에서 새로운 최고 성능을 달성하는 것으로 나타났습니다. 코드 저장소 주소는 https://github.com/xujiaommcome/DiCo 입니다.

In this paper, we present a new dynamic collaborative network for semi-supervised 3D vessel segmentation, termed DiCo. Conventional mean teacher (MT) methods typically employ a static approach, where the roles of the teacher and student models are fixed. However, due to the complexity of 3D vessel data, the teacher model may not always outperform the student model, leading to cognitive biases that can limit performance. To address this issue, we propose a dynamic collaborative network that allows the two models to dynamically switch their teacher-student roles. Additionally, we introduce a multi-view integration module to capture various perspectives of the inputs, mirroring the way doctors conduct medical analysis. We also incorporate adversarial supervision to constrain the shape of the segmented vessels in unlabeled data. In this process, the 3D volume is projected into 2D views to mitigate the impact of label inconsistencies. Experiments demonstrate that our DiCo method sets new state-of-the-art performance on three 3D vessel segmentation benchmarks. The code repository address is https://github.com/xujiaommcome/DiCo