基于超网络集成的分割概率学习用于含模糊标签的医学图像分割
图像与视频处理
2021-12-14 v1 计算机视觉与模式识别
机器学习
摘要
尽管深度学习(DL)在众多分割任务上性能优越，但基于DL的方法对其预测过度自信，具有高度极化的标签概率。这对于许多即便人工标注也存在固有标签模糊性的应用常不可取。该挑战已通过利用每幅图像的多重标注和分割不确定性得以解决。然而，真实应用中常无法获得每幅图像的多重标注，且不确定性不能向用户提供对分割结果的完全控制。本文提出新方法，在仅含每幅图像单一模糊标注的真实场景中改进分割概率估计而不牺牲性能。我们将被鼓励以可变Tversky损失进行欠分割/过分割的网络的估计分割概率图边缘化，而不惩罚平衡分割。此外，我们提出统一超网络集成方法以减轻训练多个网络的计算负担。我们的方法成功估计了反映底层结构并为具挑战性的3D医学图像分割提供直观控制的分割概率图。尽管我们提出的方法主要焦点不在于改进二值分割性能，我们的方法仍边际优于当前最优。代码见\url{https://github.com/sh4174/HypernetEnsemble}。
引用
@article{arxiv.2112.06693,
title = {Hypernet-Ensemble Learning of Segmentation Probability for Medical Image Segmentation with Ambiguous Labels},
author = {Sungmin Hong and Anna K. Bonkhoff and Andrew Hoopes and Martin Bretzner and Markus D. Schirmer and Anne-Katrin Giese and Adrian V. Dalca and Polina Golland and Natalia S. Rost},
journal= {arXiv preprint arXiv:2112.06693},
year = {2021}
}