多好才算够好：用于器械位姿估计的含噪标注
计算机视觉与模式识别
2018-06-21 v1
摘要
尽管深度学习对医学图像的分析在各种应用中取得前所未有的结果，\emph{含噪训练标注}的影响却鲜有系统性研究。在医学图像分析中，多数涉及此问题的报告集中于研究深度学习分类器的分割性能。这些研究中连续真值标注的缺失，限制了结论对以回归为首选方法的应用的价值。在手术器械位姿估计这一精度对患者预后有直接临床影响的应用中，研究\emph{含噪标注}对深度学习位姿估计技术的影响至关重要。真实 X 射线图像因缺乏真值标注而不适于该评估。我们通过生成合成放射图像规避此问题，其中真值位姿已知，从而可由实验估计医学专家所犯位姿估计误差。此外，本研究显示了深度神经网络在回归设定下从充足数据的含噪标注中学习主导信号的性质。
引用
@article{arxiv.1806.07836,
title = {How Bad is Good enough: Noisy annotations for instrument pose estimation},
author = {David Kügler and Anirban Mukhopadhyay},
journal= {arXiv preprint arXiv:1806.07836},
year = {2018}
}