集成低精度模型用于二值生物医学图像分割
图像与视频处理
2021-12-15 v1 计算机视觉与模式识别
摘要
医学图像中血管或小病灶等感兴趣解剖区域的分割仍是一个难题，常需专家手动介入。该任务的主要挑战之一是前景（正类）区域的外观可能与背景（负类）区域相似。因此，许多自动分割算法往往表现出非对称误差，通常产生更多的假阳性而非假阴性。本文中，我们旨在利用这种非对称性，训练一组具有极高召回率但牺牲精度的多样化模型集成。我们的核心思想直截了当：一组高精度低、高召回的多样化模型可能犯不同的假阳性错误（在图像不同位置将背景判为前景），但真阳性往往一致。因此，聚合后假阳性错误会相互抵消，使集成获得高性能。我们的策略具有通用性，可应用于任意分割模型。在三种不同应用（颈部 CT 血管造影中的颈动脉分割、心血管 MRI 中的心肌分割以及脑 MRI 中的多发性硬化病灶分割）中，我们展示了所提方法如何显著提振基线分割方法的性能。
引用
@article{arxiv.2010.08648,
title = {Ensembling Low Precision Models for Binary Biomedical Image Segmentation},
author = {Tianyu Ma and Hang Zhang and Hanley Ong and Amar Vora and Thanh D. Nguyen and Ajay Gupta and Yi Wang and Mert Sabuncu},
journal= {arXiv preprint arXiv:2010.08648},
year = {2021}
}
备注
10 pages, 4 figures