对含多重漏标标注具有鲁棒性的脑转移瘤分割网络
计算机视觉与模式识别
2020-01-28 v1 图像与视频处理
摘要
深度学习已被证明是医学图像分析的重要工具。然而，对精确标注输入数据的需求（通常需专家耗费大量时间与人力进行标注）是限制深度学习应用的主要瓶颈。应对该挑战的一种方案是允许使用粗标注或含噪标签，从而实现对图像更高效、可扩展的标注。本工作中，我们基于熵正则化设计了一种非对称损失函数，其假设目标标注中存在不可忽略的假阴性率。从一个精心标注的脑转移瘤病灶数据集出发，我们通过（1）随机删去已标注病灶与（2）系统性删去最小病灶来模拟含假阴性的数据。后者更好地建模了真实医师误差，因为较小病灶比较大病灶更难被察觉。即便模拟假阴性率高达 50%，将我们的损失函数应用于随机删失数据时，相较使用未删失训练数据的基线，仍可保持 97% 的最大灵敏度，而标准损失函数仅能保持 10%。对于基于尺寸的删失，性能从当前标准的 17% 恢复至我们非对称自助损失下的 88%。我们的工作将能更高效地扩展图像标注流程，并与创建更高效标注用户界面及工具的其他方法并行推进。
引用
@article{arxiv.2001.09501,
title = {Brain Metastasis Segmentation Network Trained with Robustness to Annotations with Multiple False Negatives},
author = {Darvin Yi and Endre Grøvik and Michael Iv and Elizabeth Tong and Greg Zaharchuk and Daniel Rubin},
journal= {arXiv preprint arXiv:2001.09501},
year = {2020}
}