CheXseg：结合专家标注与DNN生成的显著图进行X射线分割
计算机视觉与模式识别
2021-05-18 v2 人工智能
机器学习
摘要
医学图像分割模型通常以像素级的专家标注作为监督，而这类标注的获取成本很高。在本工作中，我们提出一种方法，将高质量的像素级专家标注与粗粒度DNN生成显著图的规模优势相结合，用于训练多标签语义分割模型。我们展示了这一称为CheXseg的半监督方法在多标签胸部X射线判读中的应用。我们发现，与使用仅含像素级专家标注的全监督方法相比，CheXseg在性能（mIoU）上提升了9.7%；与仅使用DNN生成显著图的弱监督方法相比提升了73.1%。我们的最佳方法能够在十种病症中的三种上匹配放射科医师的一致性，并且与弱监督方法相比将整体性能差距缩小了57.2%。
引用
@article{arxiv.2102.10484,
title = {CheXseg: Combining Expert Annotations with DNN-generated Saliency Maps for X-ray Segmentation},
author = {Soham Gadgil and Mark Endo and Emily Wen and Andrew Y. Ng and Pranav Rajpurkar},
journal= {arXiv preprint arXiv:2102.10484},
year = {2021}
}
备注
Accepted to Medical Imaging with Deep Learning (MIDL) Conference 2021