我们如何（更多地）从挑战赛中学习？一种驱动未来算法开发的统计方法
计算机视觉与模式识别
2021-06-18 v1
摘要
挑战赛已成为以比较方式基准测试图像分析算法的先进方法。尽管在完全相同的数据集上验证是一大进步，但结果分析通常局限于纯粹的排名表，使相关问题得不到解答。具体而言，人们很少系统性地研究最先进算法在哪些图像上会失败的特征。为弥补文献中的这一空白，我们 (1) 提出了一个从挑战赛学习的统计框架，并 (2) 将其实例化为腹腔镜视频中器械实例分割这一具体任务。我们的框架依赖于图像的语义元数据标注，其作为广义线性混合模型（GLMM）分析的基础。基于对2,728张图像进行的51,542次元数据标注，我们将该方法应用于2019年鲁棒医疗器械分割挑战赛（ROBUST-MIS）的结果，揭示出器械曝光不足、运动与遮挡，以及背景中存在烟雾或其他物体是算法失败的主要来源。我们后续针对这些特定遗留问题进行的算法开发，产生了一种具有最先进整体性能且在先前方法易失败图像处理上具特定优势的深度学习模型。由于我们的方法客观且具通用适用性，它可成为医学图像分析乃至更广泛领域验证的有力工具。以及小、交叉、移动和透明器械（部分）的分割。
引用
@article{arxiv.2106.09302,
title = {How can we learn (more) from challenges? A statistical approach to driving future algorithm development},
author = {Tobias Roß and Pierangela Bruno and Annika Reinke and Manuel Wiesenfarth and Lisa Koeppel and Peter M. Full and Bünyamin Pekdemir and Patrick Godau and Darya Trofimova and Fabian Isensee and Sara Moccia and Francesco Calimeri and Beat P. Müller-Stich and Annette Kopp-Schneider and Lena Maier-Hein},
journal= {arXiv preprint arXiv:2106.09302},
year = {2021}
}