用于降低医学图像中观察者间差异的小样本学习框架

大多数计算机辅助病理检测系统依赖大量高质量标注数据来辅助诊断和随访流程。然而，对大量标注医学图像数据进行质量保证可能带有主观性且成本高昂。在本工作中，我们提出了一种新颖的标准化框架，其实现了三种小样本学习（FSL）模型，这些模型可通过每个 3D 堆栈至多 5 张图像进行迭代训练，从而为每张测试图像生成多个区域提议（RPs）。这些 FSL 模型包括一种新颖的并行回声状态网络（ParESN）框架和一种增强的 U-net 模型。此外，我们提出了一种新颖的目标标签选择算法（TLSA），用于度量区域提议与人工标注目标标签之间的相对一致性，从而检测每张图像的“最佳”质量标注。利用 FSL 模型，我们的系统在厂商图像堆栈上针对视网膜内囊肿分割取得了 0.28-0.64 的 Dice 系数。此外，TLSA 能够自动从含噪对应标注中分类出高质量目标标签，覆盖 60-97% 的图像，同时确保对剩余图像进行人工监督。同时，所提出的带 ParESN 模型的框架将人工标注核查减少至图像总数的 12-28%。TLSA 指标进一步为自动化标注质量保证提供了置信度分数。因此，所提出的框架可灵活扩展用于其他图像堆栈的质量图像标注整理。