基于诊断优先原则校准观察者间分割不确定性
图像与视频处理
2022-08-08 v1 计算机视觉与模式识别
摘要
在医学图像上，许多组织/病灶可能存在歧义。这正是医学分割通常由一组临床专家标注以缓解个人偏倚的原因。然而，这一临床常规也为机器学习算法的应用带来了新挑战。在没有确定真值的情况下，训练和评估深度学习模型将十分困难。当标注收集自不同评分者时，常见选择是多数投票。但此种策略忽略了评分者专业程度的差异。本文中，我们考虑预测具有校准的观察者间不确定性的分割任务。我们注意到，在临床实践中，医学图像分割通常用于辅助疾病诊断。受此观察启发，我们提出诊断优先原则，即以疾病诊断作为校准观察者间分割不确定性的准则。遵循该思路，提出名为诊断优先分割框架(DiFF)的框架，从原始图像中估计诊断优先分割。具体而言，DiFF 将首先学习将多评分者分割标签融合为可最大化疾病诊断性能的单一真值。我们将融合真值称为诊断优先真值(DF-GT)。随后，我们进一步提出 Take and Give Model，从原始图像分割 DF-GT。我们在三个不同的医学分割任务上验证了 DiFF 的有效性：眼底图像上的视盘/视杯分割、超声图像上的甲状腺结节分割，以及皮肤镜图像上的皮肤病变分割。实验结果表明，所提 DiFF 能显著促进相应疾病诊断，优于先前最先进的多评分者学习方法。
引用
@article{arxiv.2208.03016,
title = {Calibrate the inter-observer segmentation uncertainty via diagnosis-first principle},
author = {Junde Wu and Huihui Fang and Hoayi Xiong and Lixin Duan and Mingkui Tan and Weihua Yang and Huiying Liu and Yanwu Xu},
journal= {arXiv preprint arXiv:2208.03016},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2202.06505