分割网络中的标签噪声：缓解必须应对偏置
计算机视觉与模式识别
2021-07-07 v1 机器学习
摘要
不完美的标签限制了深度神经网络所学预测的质量。这在医学图像分割中尤为相关，因为参考标注难以收集且即使在不同专家标注者之间也存在显著差异。先前关于缓解标签噪声的工作集中于大多是均匀噪声的简单模型。在本工作中，我们探究人为引入到MRI数据上脑肿瘤标注中的偏置与非偏置错误。我们发现监督与半监督分割方法对非偏置错误具有鲁棒性或相当鲁棒，但对偏置错误敏感。因此，识别医学图像标签中预期的错误类型并尤其缓解偏置错误十分重要。
引用
@article{arxiv.2107.02189,
title = {Label noise in segmentation networks : mitigation must deal with bias},
author = {Eugene Vorontsov and Samuel Kadoury},
journal= {arXiv preprint arXiv:2107.02189},
year = {2021}
}