拥抱不完美数据集：医学图像分割深度学习解决方案综述
图像与视频处理
2020-02-13 v2 计算机视觉与模式识别
机器学习
摘要
医学影像文献见证了基于卷积神经网络的分割模型所取得的显著进展。尽管性能屡创新高，近期先进的分割模型仍需要大规模、具代表性且高质量的标注数据集。然而，我们很少能拥有完美的训练数据集，特别是在医学成像领域，数据和标注的获取成本均十分高昂。近期，大量研究探讨了不完美数据集下的医学图像分割问题，主要应对两大数据集局限性：标注稀缺，即仅有有限的标注数据可用于训练；以及弱标注，即训练数据仅有稀疏标注、含噪标注或图像级标注。在本文中，我们对上述解决方案进行了详细综述，总结了其技术创新与实验结果。我们进一步比较了所调研方法的优点与要求，并提供了我们的推荐解决方案。我们希望这篇综述文章能提升学界对处理不完美医学图像分割数据集的可用技术的认知。
引用
@article{arxiv.1908.10454,
title = {Embracing Imperfect Datasets: A Review of Deep Learning Solutions for Medical Image Segmentation},
author = {Nima Tajbakhsh and Laura Jeyaseelan and Qian Li and Jeffrey Chiang and Zhihao Wu and Xiaowei Ding},
journal= {arXiv preprint arXiv:1908.10454},
year = {2020}
}
备注
Accepted for publication in the journal of Medical Image Analysis