D-LEMA：基于多标注的深度集成学习——在皮肤病变分割中的应用
图像与视频处理
2021-05-04 v2 计算机视觉与模式识别
机器学习
摘要
由于标注者固有的差异以及边界模糊，医学图像分割标注即使对专家而言也存在观察者间与观察者内的差异。利用一幅图像的多位标注者意见集合来估计金标准是一种有趣的方式。尽管在每幅图像仅有单一标注的监督设定下训练深度模型已被广泛研究，但将其训练推广到包含每幅图像多个标注的数据集仍是一个鲜有探索的问题。本文提出一种在训练深度模型时处理标注者分歧的方法。为此，我们通过考虑多真值标注聚合中的两个主要因素，提出一种用于分割任务的贝叶斯全卷积网络（FCN）集成：（1）处理源于标注者间分歧的训练数据中的矛盾标注；（2）通过融合基模型预测来改进置信度校准。我们在 ISIC Archive 上展示了本方法的优越性能，并通过在 PH2 与 DermoFit 数据集上的跨数据集评估探讨了所提方法的泛化性能。
引用
@article{arxiv.2012.07206,
title = {D-LEMA: Deep Learning Ensembles from Multiple Annotations -- Application to Skin Lesion Segmentation},
author = {Zahra Mirikharaji and Kumar Abhishek and Saeed Izadi and Ghassan Hamarneh},
journal= {arXiv preprint arXiv:2012.07206},
year = {2021}
}
备注
Accepted at the CVPR 2021 Sixth ISIC Skin Image Analysis Workshop