多评分医学图像分割中的多样化与个性化
计算机视觉与模式识别
2024-03-21 v1
摘要
由于医学扫描中边界模糊、不同观察者专业水平和偏好等内在数据不确定性导致的注释模糊，已成为训练基于深度学习的医学图像分割模型的主要障碍。为解决此问题，常见做法是从不同专家处收集多个注释，形成多评分医学图像分割的设定。现有工作要么将不同注释合并为不可达的“groundtruth”，要么生成多样化结果，要么生成对应 individual 专家评分人的个性化结果。本文提出了更 ambitious 的目标，即同时获得多样化和个性化的结果。具体而言，我们提出了两个阶段的框架，称为 D-Persona（首先进行 Diversification 再进行 Personalization）。在阶段 I，我们利用给定的多个注释训练概率性 U-Net 模型，采用受约束的损失函数以提高预测的多样性。如此一来，阶段 I 中构建了一个公共潜在空间，其中不同的潜在代码表示多样化的专家意见。随后，在阶段 II，我们设计多个基于注意力的投影头，适应性地从共享潜在空间中查询相应的专家提示，然后进行个性化医学图像分割。我们在本科生的鼻咽部癌数据集和公开的肺结节数据集（即 LIDC-IDRI）上对所提模型进行了评估。广泛的实验表明，我们的 D-Persona 能同时提供多样化和个性化的结果，实现了多评分医学图像分割的新型 SOTA 性能。我们的代码将在 https://github.com/ycwu1997/D-Persona 上发布。
引用
@article{arxiv.2403.13417,
title = {Diversified and Personalized Multi-rater Medical Image Segmentation},
author = {Yicheng Wu and Xiangde Luo and Zhe Xu and Xiaoqing Guo and Lie Ju and Zongyuan Ge and Wenjun Liao and Jianfei Cai},
journal= {arXiv preprint arXiv:2403.13417},
year = {2024}
}
备注
Accepted by CVPR 2024