结合异质标注数据集训练分割网络
计算机视觉与模式识别
2018-07-25 v1
摘要
医学图像的准确分割是分析和追踪解剖结构中疾病相关形态改变的重要步骤。卷积神经网络（CNNs）近来已成为医学影像中许多分割任务的强大工具。CNN 的性能强烈依赖于训练数据规模，而结合不同来源的数据是获取更大型训练集的有效策略。然而，这常受到数据集异质标注的挑战。例如，某个数据集可能缺失标签，或若干标签被合并为一个超标签。在本工作中，我们提出一种损失函数，其允许将具有异质标签子集的多个数据集整合进联合训练。我们在大腿 MR 与心脏 MR 数据集上评估了该策略的性能，其中我们人为地将一半数据的标签进行了合并。我们发现所提出的损失函数大幅优于朴素的掩码方法，取得了非常接近使用完整标注的结果。
引用
@article{arxiv.1807.08935,
title = {Combining Heterogeneously Labeled Datasets For Training Segmentation Networks},
author = {Jana Kemnitz and Christian F. Baumgartner and Wolfgang Wirth and Felix Eckstein and Sebastian K. Eder and Ender Konukoglu},
journal= {arXiv preprint arXiv:1807.08935},
year = {2018}
}
备注
Accepted for presentation at 9th International Conference on Machine Learning in Medical Imaging (MLMI 2018)