Análise do método de aprendizado semi-supervisionado Teacher-Student para segmentação de imagens médicas usando redes neurais convolucionais

Abstract

Um dos maiores desafios encontrados na área de aprendizado de máquina é a obtenção de conjuntos de dados suficientemente grandes para realização do treinamento de redes neurais. A obtenção de amostras anotadas é especialmente difícil dentro da área de biomédica, dado que as imagens de interesse tem o acesso limitado devido a questões técnicas e legais, e visto que a anotação correta das amostras depende do trabalho de profissionais qualificados. Aprendizado Semi-Supervisionado (SSL) é uma técnica que permite reduzir a dependência em amostras anotadas, uma vez que ela consegue fazer uso de amostras não anotadas junto ao treinamento de redes neurais. Neste trabalho é avaliada a utilização do método de aprendizado semi-supervisionado Teacher-Student no treinamento de um modelo de segmentação semântica, voltado para a avaliação de lesões em imagens de exames de fundo de olho para diagnóstico de retinopatia diabética. É observado que a utilização desse método permite o treinamento bem sucedido de um modelo, utilizando um conjunto de dados extremamente reduzido, com um ganho de performance significativo quando comparado ao modelo treinado de maneira supervisionada. Obtemos AUPR=0,587 com o uso de SSL quando utilizando apenas 16 imagens do conjunto de dados FGADR, comparado com AUPR=0,513 sem a utilização de SSL. Adicionalmente, quando utilizando adaptação de domínio com o conjunto de dados IDRiD, observamos um aumento de AUPR=0,542 para AUPR=0,594 com o uso de SSL.

Abstract: One of the biggest challenges found in the field of machine learning is to obtain large enough datasets in order to train neural network models. Obtaining annotated samples is especially difficult within the biomedical field, since access to medical data is often hindered by technical and legal barriers, and since the correct annotation of samples requires the work of qualified professionals. Semi-Supervised Learning (SSL) is a technique that reduces the dependence on annotated samples, since it manages to incorporate unannotated samples in the supervised training of neural networks. This work evaluates the use of the Teacher-Student semi-supervised learning method in the training of a semantic segmentation model, aimed at the evaluation of lesions in images of eye fundus exams for the diagnosis of diabetic retinopathy. It is observed that the use of this method allows the successful training of a model using an extremely small dataset, with a significant performance gain when compared to the purely supervised counterpart. We show an improvement on the performance from AUPR=0.513 to AUPR=0.587 when using SSL and training with only 16 images from the FGADR dataset. Additionally, when using domain adaptation with the IDRiD dataset, we show an increase from AUPR=0,542 to AUPR=0,594 with the use of SSL.