基于混合监督的医学图像分割标签填充
计算机视觉与模式识别
2024-10-22 v1
摘要
医学图像分割成功通常需要大量高质量标签。然而由于标注过程受到评审者不同技能水平和特征的影响，这些评审者提供的估计掩码通常存在较大的评审间变异性。本文提出一种简单而有效的标签填充框架，称为 LF-Net，通过仅使用噪声标注在训练期间预测 groundtruth 分割标签。标签填充的基本思想是通过子集具有可信标签的像素进行监督，同时通过混合监督填充其他像素的标签。更具体地，本文提出了合格多数投票策略，即设计阈值投票方案以建模评审间的一致性，将所选子集像素的多数投票标签视为监督。为填充其他像素的标签，提出了两种类型的混合辅助监督：一种来自噪声标注内在结构学习的软标签，以及反映评审特征信息的评审特征标签。LF-Net 有两个主要优势：1）使用可信像素进行训练可纳入确定性监督，指导 groundtruth 标签的学习方向；2）两种混合监督可防止网络仅受子集像素监督时的过拟合问题，确保与真实标签的高保真度。在五个不同成像模态的数据集上实验表明，我们的 LF-Net 在所有数据集上均优于当前方法，MS 病灶分割的 DSC 提升可达 7%。
引用
@article{arxiv.2410.16057,
title = {Label Filling via Mixed Supervision for Medical Image Segmentation from Noisy Annotations},
author = {Ming Li and Wei Shen and Qingli Li and Yan Wang},
journal= {arXiv preprint arXiv:2410.16057},
year = {2024}
}