用于度量分布偏移下血管分割方法性能的新数据集
计算机视觉与模式识别
2024-10-28 v4
摘要
创建用于训练监督式机器学习算法的数据集可能是一项艰巨任务。对于医学图像分割而言尤为如此，因为通常需要一名或多名专家进行图像标注，且仅为单张图像创建真值标签就可能耗费数小时。此外，标注样本必须充分代表可能影响成像组织的不同条件以及图像采集过程中可能的变化，这一点至关重要。这只能通过考虑数据集中典型样本以及非典型甚至离群样本来实现。我们提出 VessMAP，一个通过从更大的未标注数据集中精心采样相关图像而获取的异质血管分割数据集。我们开发了一种方法，从基础数据集中选取原型样本与非典型样本，从而定义了一组多样的图像，可用于度量分割算法在彼此差异显著的样本上的性能。为展示新数据集的潜力，我们表明神经网络的验证性能会因用于训练网络的数据划分不同而发生显著变化。
引用
@article{arxiv.2301.04517,
title = {A new dataset for measuring the performance of blood vessel segmentation methods under distribution shifts},
author = {Matheus Viana da Silva and Natália de Carvalho Santos and Julie Ouellette and Baptiste Lacoste and Cesar Henrique Comin},
journal= {arXiv preprint arXiv:2301.04517},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication