面向全心分割的细粒度误差图预测与分割质量评估框架
计算机视觉与模式识别
2019-07-30 v1
摘要
当将先进的图像计算算法（例如全心分割）引入临床实践时，一个常见的疑虑是自动计算结果的可靠性如何。事实上，找出失败案例并识别误分类像素十分重要，以便将其排除或修正，用于后续分析或诊断。然而，在缺乏金标准（通常由专家标注）的情况下，预测分割掩码中的误差并非一个简单的问题。在本工作中，我们尝试使用一个统一的深度学习（DL）框架来解决逐像素误差图预测问题和逐例掩码质量评估问题。具体而言，我们首先形式化一个误差图预测问题，然后将其转化为一个分割问题并构建了一个 DL 网络来解决它。我们还从预测的误差图中推导出一个质量指标（QI）来衡量分割掩码的整体质量。为评估所提出的框架，我们在一个公开的全心分割数据集（即 MICCAI 2017 MMWHS）上进行了大量实验。通过 5 折交叉验证，我们在误差图预测任务上获得了 0.626 的总体 Dice 分数，并观察到 QI 与实际分割精度（Acc）之间高达 0.972 的皮尔逊相关系数（PCC），以及两者之间低至 0.0048 的平均绝对误差（MAE），这证明了我们的方法在误差图预测和质量评估方面的有效性。
引用
@article{arxiv.1907.12244,
title = {A Fine-Grain Error Map Prediction and Segmentation Quality Assessment Framework for Whole-Heart Segmentation},
author = {Rongzhao Zhang and Albert C. S. Chung},
journal= {arXiv preprint arXiv:1907.12244},
year = {2019}
}
备注
9 pages, accepted by MICCAI'19