委员会特征排序：面向鲁棒深度学习医学图像分割的数据子集选择与失败预测范式
图像与视频处理
2021-01-20 v2 计算机视觉与模式识别
机器学习
机器学习
摘要
将全自动基于深度学习的医学图像分割技术转化至临床工作流面临两大算法挑战。其一，是为训练与验证采集并归档大量人工标注真值数据。其二，多数基于深度学习的分割技术相对无法提醒医师可能发生分割失败。本文提出一种名为“Eigenrank（特征排序）”的新算法，可同时应对这两大挑战。Eigenrank 能从大型数据库中为人工标注挑选医学图像子集，使得在该子集上训练的 U-Net 优于在同规模随机子集上训练的 U-Net。Eigenrank 亦可用于从大型数据库中挑出深度学习分割将失败的病例。我们给出算法，随后展示结果并讨论 Eigenrank 如何利用冯·诺依曼信息，借助深度学习实现医学图像分割的数据子集选择与失败预测。
引用
@article{arxiv.1908.06337,
title = {EigenRank by Committee: A Data Subset Selection and Failure Prediction paradigm for Robust Deep Learning based Medical Image Segmentation},
author = {Bilwaj Gaonkar and Joel Beckett and Mark Attiah and Christine Ahn and Matthew Edwards and Bayard Wilson and Azim Laiwalla and Banafsheh Salehi and Bryan Yoo and Alex Bui and Luke Macyszyn},
journal= {arXiv preprint arXiv:1908.06337},
year = {2021}
}