Metody uczenia ze słabym lub częściowym nadzorem w zastosowaniu do segmentacji trójwymiarowych obrazów biomedycznych

Precyzyjne i spójne adnotacje danych są kluczowe w procesie trenowania
modeli sztucznej inteligencji. Ich uzyskanie jest szczególnie wymagające w
medycynie, gdzie niedobór adnotowanych danych, dodatkowo utrudniony
przez ograniczenia prawne, potrzebę ekspertów medycznych do adnotacji
oraz zmienność standardów między instytucjami, stanowi znaczące
wyzwanie. Niniejsza praca magisterska bada metody uczenia słabo i
częściowo nadzorowanego, mogące zmniejszyć ilość ręcznie adnotowanych
danych potrzebnych do trenowania dobrze działających modeli. Badanie
skupia się na trójwymiarowej segmentacji nerek, wykorzystując
ograniczony zestaw adnotowanych skanów ze szpitala w Polsce. Dzięki
zastosowaniu tych metod, zaproponowane podejście osiąga dobre wyniki
przy minimalnej liczbie adnotacji. Co więcej, poprzez włączenie większych,
choć nadal umiarkowanie dużych, zbiorów danych, dokładność segmentacji
jest poprawiana. Wyniki pokazują, że uczenie słabo i częściowo
nadzorowane może zmniejszyć wymagania dotyczące adnotacji, przy
jednoczesnym zachowaniu wysokiej jakości segmentacji, oferując
skalowalne rozwiązanie dla analizy obrazów biomedycznych.
Słowa kluczowe
segmentacja obrazów biomedycznych, niedobór adnotacji danych, uczenie
słabo nadzorowane, uczenie częściowo nadzorowane, uczenie transferowe

Accurate and consistent data annotations are critical for training robust
artificial intelligence models. Obtaining them is particularly demanding in
the medical domain, where the scarcity of annotated data, compounded by
legal constraints, the need for expert medical annotators, and variability in
data standards across institutions pose significant challenges. This thesis
investigates weakly and semi-supervised learning methods that can reduce
the amount of manually annotated data needed for training well-performing
models. The research explores the 3D kidney segmentation task, using a
limited set of annotated scans from a hospital in Poland. By leveraging these
methods, the proposed approach achieves robust performance with minimal
annotation burden. Furthermore, the segmentation accuracy is enhanced
by incorporating a larger, yet still modestly sized, datasets. The findings
demonstrate that weakly and semi-supervised learning can reduce the
annotation demands while maintaining high segmentation quality, offering
a scalable solution for biomedical image analysis.
Keywords
biomedical image segmentation, data annotations scarcity, weaklysupervised learning, semi-supervised learning, transfer learning