从多标注者标注中学习自校准的视盘与视杯分割
图像与视频处理
2022-06-15 v2 计算机视觉与模式识别
摘要
从眼底图像中分割视盘(OD)与视杯(OC)是青光眼诊断的一项重要基础任务。在临床实践中，常需汇总多位专家的意见以获得最终的OD/OC标注。这一临床常规有助于减轻个体偏差。但当数据被多重标注时，标准深度学习模型将不再适用。本文提出一种新颖的神经网络框架，从多标注者标注中学习OD/OC分割。该分割结果通过多标注者专业度估计与校准后OD/OC分割的迭代优化实现自校准。由此，所提方法可使两项任务相互提升，最终获得精细的分割结果。具体而言，我们提出发散模型(DivM)与收敛模型(ConM)分别处理这两项任务。ConM基于DivM提供的多标注者专业度图对原始图像进行分割；DivM根据ConM提供的分割掩码生成多标注者专业度图。实验结果表明，通过循环运行ConM与DivM，结果可实现自校准，从而优于一系列当前最优(SOTA)的多标注者分割方法。
引用
@article{arxiv.2206.05092,
title = {Learning self-calibrated optic disc and cup segmentation from multi-rater annotations},
author = {Junde Wu and Huihui Fang and Fangxin Shang and Zhaowei Wang and Dalu Yang and Wenshuo Zhou and Yehui Yang and Yanwu Xu},
journal= {arXiv preprint arXiv:2206.05092},
year = {2022}
}