深度质量估计：为人类质量评分构建代理模型
计算机视觉与模式识别
2022-09-01 v2 人工智能
机器学习
图像与视频处理
摘要
人类评分是分割质量的抽象表示。为了在稀缺的专家数据上近似人类质量评分，我们训练了代理质量估计模型。我们在一个复杂的多类分割问题上进行评估，具体而言是遵循 BraTS 标注协议的胶质瘤分割。训练数据包含 15 名神经放射学专家对各种计算机生成和手动 3D 标注给出的从 1 到 6 星的质量评分。尽管网络在 2D 图像上运行且训练数据稀缺，我们仍能在与人类内部评分者可靠性相当的错误范围内近似分割质量。分割质量预测具有广泛的应用。虽然对分割质量的理解对于自动分割质量算法的成功临床转化至关重要，但它也可以在训练新分割模型中发挥重要作用。由于推理时间仅需毫秒级，它可直接应用于损失函数中，或作为联邦学习设置中全自动的数据集筛选机制。
引用
@article{arxiv.2205.10355,
title = {Deep Quality Estimation: Creating Surrogate Models for Human Quality Ratings},
author = {Florian Kofler and Ivan Ezhov and Lucas Fidon and Izabela Horvath and Ezequiel de la Rosa and John LaMaster and Hongwei Li and Tom Finck and Suprosanna Shit and Johannes Paetzold and Spyridon Bakas and Marie Piraud and Jan Kirschke and Tom Vercauteren and Claus Zimmer and Benedikt Wiestler and Bjoern Menze},
journal= {arXiv preprint arXiv:2205.10355},
year = {2022}
}
备注
10 pages, 5 figures