用于疾病筛查的标签不确定性引导多流模型
计算机视觉与模式识别
2022-05-03 v1
摘要
医学图像数据集疾病严重程度的标注通常依赖多个人工标注者的协作决策。此过程中由个体差异产生的观察者内变异始终存在，但其影响常被低估。本文将观察者内变异视为不确定性问题，并将标签不确定性信息作为引导融入疾病筛查模型以改进最终决策。核心思想是通过不确定性信息将图像分为简单与困难样本，进而开发多流网络分别处理不同样本。特别地，对于困难样本，我们增强网络捕捉正确疾病特征及抵抗不确定性干扰的能力。基于眼底图像青光眼筛查的案例实验表明，所提模型优于多个基线，尤其在困难样本筛查中。
引用
@article{arxiv.2201.12089,
title = {Label uncertainty-guided multi-stream model for disease screening},
author = {Chi Liu and Zongyuan Ge and Mingguang He and Xiaotong Han},
journal= {arXiv preprint arXiv:2201.12089},
year = {2022}
}
备注
To appear in ISBI 2022