超声置信度图能否预测超声医师的标注变异性？
图像与视频处理
2023-08-21 v1 计算机视觉与模式识别
机器学习
摘要
在超声图像中测量横截面积是评估疾病进展或治疗反应的常用手段。当前多采用有监督深度学习分割方法，现有方案高度依赖专家标注质量。然而，由于衰减、阴影和边界缺失等固有物理成像原理（常随深度加剧），超声中的标注质量具有各向异性和位置差异性。本文提出一种新方法，引导超声分割网络考虑超声医师的不确定性，并生成与专家相似的变异性预测。我们主张，真实的变异性可减少过度自信的预测，并提高医师对深度学习横截面分割方案的接受度。我们的方法以极小计算开销提供每个像素的置信度图（CM）确定性，因其可直接由图像预计算。我们表明，置信度图中的低值与该专家标注不确定性之间存在相关性。因此，我们提议将置信度图作为附加信息提供给网络。我们研究了所提出的超声 CM 使用方式结合四种最先进神经网络的效果，并在两种配置下：作为第二输入通道和作为损失的一部分。我们在甲状腺与下肢肌群的 3D 超声数据集上评估了方法。结果表明，超声 CM 提升了 Dice 分数，改善了 Hausdorff 与平均表面距离，并减少了孤立像素预测的数量。此外，我们的发现表明超声 CM 改进了对真值数据中不确定区域的惩罚，从而改善了有问题的插值。我们的代码与示例数据将公开于 https://github.com/IFL-CAMP/Confidence-segmentation。
引用
@article{arxiv.2308.09433,
title = {Can ultrasound confidence maps predict sonographers' labeling variability?},
author = {Vanessa Gonzalez Duque and Leonhard Zirus and Yordanka Velikova and Nassir Navab and Diana Mateus},
journal= {arXiv preprint arXiv:2308.09433},
year = {2023}
}