针对胸部 X 光分割中不完善标签的级联鲁棒学习

CNN 在医学图像分析上的优越性能严重依赖于标注质量，如标注图像的数量、图像来源与专家经验。标注需要极高的专业性与劳力。为应对标注者间的高变异性，对不完善标签的研究在医学图像分割任务中具有重要意义。本文提出一种新颖的级联鲁棒学习框架，用于带有不完善标注的胸部 X 光分割。我们的模型由三个独立网络组成，可有效从同伴网络学习有用信息。该框架包括两个阶段。第一阶段，我们通过模型委员会设置筛选干净标注样本，网络利用所选干净样本最小化分割损失进行训练。第二阶段，我们设计带标签纠正的联合优化框架，逐步纠正错误标注并提升网络性能。我们在深圳医院收集的公开胸部 X 光图像数据集上开展实验。结果表明，相较先前方法，我们的方法在分割任务精度上取得显著提升。