从多源标注中学习鲁棒医学图像分割
图像与视频处理
2023-11-14 v2 计算机视觉与模式识别
摘要
从多个独立来源收集标注可以减轻单一来源潜在噪声和偏差的影响，这是医学图像分割中的常见做法。由于标注差异和图像质量带来的不确定性，从多源标注中学习分割网络仍然是一个挑战。在本文中，我们提出了一种不确定性引导的多源标注网络（UMA-Net），通过在像素和图像层面进行不确定性估计来引导训练过程。首先，我们开发了标注不确定性估计模块（AUEM）以学习每个标注的像素级不确定性，随后通过加权分割损失引导网络从可靠像素中学习。其次，提出了质量评估模块（QAM），基于前述评估的标注不确定性来评估输入样本的图像级质量。重要的是，我们引入了一个辅助预测器来从低质量样本中学习而非丢弃它们，这确保了其特征表示知识在主干网络中的保留，而不会直接在主预测器中累积误差。大量实验证明了我们所提出的 UMA-Net 在多个数据集上的有效性和可行性，包括 2D 胸部 X 光分割、眼底图像分割和 3D 乳腺 DCE-MRI 分割。
引用
@article{arxiv.2304.00466,
title = {Learning Robust Medical Image Segmentation from Multi-source Annotations},
author = {Yifeng Wang and Luyang Luo and Mingxiang Wu and Qiong Wang and Hao Chen},
journal= {arXiv preprint arXiv:2304.00466},
year = {2023}
}