用于医学图像分割的多样性促进集成方法
图像与视频处理
2022-12-22 v2 计算机视觉与模式识别
机器学习
摘要
医学图像分割是医学影像中一个被积极研究的任务，其中标注的精度对准确诊断与治疗至关重要。近年来，该任务已被多种深度学习系统所攻克，其中最流行的模型之一是 U-Net。在本工作中，我们提出一种新颖策略，通过利用构成集成的各模型之间的多样性（去相关）来生成用于医学图像分割的不同架构的集成。更具体地，我们利用模型对之间的 Dice 分数来估计每对模型中两个模型输出之间的相关性。为促进多样性，我们选择彼此间 Dice 分数较低的模型。我们进行了胃肠道图像分割实验，以将我们的多样性促进集成（DiPE）与另一种基于选择得分最高的 U-Net 模型来创建集成的策略进行比较。我们的实证结果表明，DiPE 超越了单个模型以及基于选择最高得分模型的集成创建策略。
引用
@article{arxiv.2210.12388,
title = {Diversity-Promoting Ensemble for Medical Image Segmentation},
author = {Mariana-Iuliana Georgescu and Radu Tudor Ionescu and Andreea-Iuliana Miron},
journal= {arXiv preprint arXiv:2210.12388},
year = {2022}
}
备注
Accepted at SAC 2023