深度学习基准心电声分割模型训练期间检测与修复地面真值错误
计算机视觉与模式识别
2026-04-15 v1 人工智能
摘要
深度学习医学图像分割通常依赖通过手动注释获得的 ground truth(GT)标签，但这些标签可能容易出现随机错误或系统性偏差。本研究 examines deep learning models对此类错误在心电声(echo)分割中的鲁棒性，并评估了一种 novel strategy for detecting and refurbishing erroneous labels during model training。使用CAMUS数据集，我们模拟了三种错误类型，然后比较基于损失的GT标签错误检测方法与基于梯度方差(VOG)的检测方法。我们还提出了一种用于修复可疑错误GT标签的pseudo-labelling方法。我们评估了该方法在不同error水平下的性能。结果表明，VOG在训练期间有效地标记了错误的GT标签。然而，标准U-Net在随机标签错误和中等程度系统性错误（最高可达50%）下仍保持强大的性能。该检测和修复方法在高error条件下显著改进了性能。
引用
@article{arxiv.2604.12832,
title = {Detecting and refurbishing ground truth errors during training of deep learning-based echocardiography segmentation models},
author = {Iman Islam and Bram Ruijsink and Andrew J. Reader and Andrew P. King},
journal= {arXiv preprint arXiv:2604.12832},
year = {2026}
}
备注
5 pages, 3 figures, 2 tables, International Symposium on Biomedical Imaging 2026