利用弱标注解决医学图像分析问题
计算机视觉与模式识别
2017-08-22 v1
摘要
为了高效建立机器学习方法的训练数据库，已有研究探索利用协作和众包平台共同应对标注工作。然而，当这一概念引入医学影像领域时，阅片专业知识将直接影响标注精度。在本研究中，我们考察了在腹部计算机断层扫描（CT）图像数据库中，专业知识和可用标注数量对肝脏分割问题精度结果的影响。在受控实验中，我们针对不同类型的弱标注研究了这一影响。为解决较低专业知识水平带来的精度下降，我们提出了一种利用弱标记图谱进行离群值校正的方法。使用该方法，我们证明了具有高错误率的弱标注能够达到与依赖大量专家手动分割的当前最优多图谱分割方法相当的高精度。此类标注可切实地从非专家群体中获得，并有可能实现医学图像分析弱标注任务的众包。
引用
@article{arxiv.1708.06297,
title = {Employing Weak Annotations for Medical Image Analysis Problems},
author = {Martin Rajchl and Lisa M. Koch and Christian Ledig and Jonathan Passerat-Palmbach and Kazunari Misawa and Kensaku Mori and Daniel Rueckert},
journal= {arXiv preprint arXiv:1708.06297},
year = {2017}
}