以集成不确定性作为上肢CT图像中不同骨骼分割的数据集扩充准则
图像与视频处理
2022-08-22 v1 计算机视觉与模式识别
摘要
目的：单个骨骼的定位与分割是许多规划与导航应用中的重要预处理步骤。然而，若手动完成，这是一项耗时且重复的任务。这不仅适用于临床实践，也适用于训练数据的获取。因此我们不仅提出了一种端到端学习的算法，能够在上肢CT中分割125块不同的骨骼，还提供了一种基于集成的不确定性度量，有助于挑选出扫描以扩充训练数据集。方法：我们采用受3D-Unet启发的神经网络架构与全监督训练，创建全自动端到端学习分割。结果通过集成与推理时增强得以改进。我们考察了集成不确定性与未标注扫描作为训练数据集一部分的预期有用性之间的关系。结果：我们的方法在16例上肢CT扫描的院内数据集上评估，各向分辨率为2毫米。考虑标签集中全部125块骨骼，我们最成功的集成取得了0.83的中位Dice系数。我们发现扫描的集成不确定性与其在扩充训练集中所达成精度的预期影响之间缺乏相关性。同时，我们表明集成不确定性与初始自动分割后需人工校正的体素数相关，从而最小化最终确定新真值分割所需时间。结论：综合来看，低集成不确定性的扫描需要更少的标注者时间，同时产生相似的未来DSC提升。因此它们是从CT扫描扩充上肢不同骨骼分割训练集的理想候选。
引用
@article{arxiv.2208.09216,
title = {Ensemble uncertainty as a criterion for dataset expansion in distinct bone segmentation from upper-body CT images},
author = {Eva Schnider and Antal Huck and Mireille Toranelli and Georg Rauter and Azhar Zam and Magdalena Müller-Gerbl and Philippe Cattin},
journal= {arXiv preprint arXiv:2208.09216},
year = {2022}
}