FairSeg：基于带公平误差界缩放的Segment Anything Model的大规模医学图像分割公平学习数据集
计算机视觉与模式识别
2024-05-02 v5
摘要
近年来，人工智能模型的公平性受到显著更多的关注，尤其在医学领域，因为医学模型的公平性关乎人们的健康与生命。需要高质量的医学公平性数据集以促进公平学习研究。现有的医学公平性数据集均用于分类任务，尚无用于医学分割的公平性数据集，而医学分割与分类同为同等重要的临床任务，可提供器官异常的详细空间信息供临床医生评估。本文提出首个医学分割公平性数据集Harvard-FairSeg，包含10,000个受试者样本。此外，我们提出一种公平误差界缩放方法，利用segment anything model（SAM）以各身份组的上误差界对损失函数进行重加权。我们预期，通过显式处理各身份组中具有高训练误差的困难样本，可改善分割性能的均衡性。为促进公平比较，我们采用一种新颖的均衡缩放分割性能指标来在公平性背景下比较分割指标，例如均衡缩放Dice系数。通过综合实验，我们证明我们的公平误差界缩放方法在公平性性能上优于或与最先进的公平学习模型相当。数据集与代码可通过 https://ophai.hms.harvard.edu/datasets/harvard-fairseg10k 公开获取。
引用
@article{arxiv.2311.02189,
title = {FairSeg: A Large-Scale Medical Image Segmentation Dataset for Fairness Learning Using Segment Anything Model with Fair Error-Bound Scaling},
author = {Yu Tian and Min Shi and Yan Luo and Ava Kouhana and Tobias Elze and Mengyu Wang},
journal= {arXiv preprint arXiv:2311.02189},
year = {2024}
}
备注
ICLR 2024; Codes available at https://github.com/Harvard-Ophthalmology-AI-Lab/FairSeg