从含噪标注中学习分割皮肤病变
计算机视觉与模式识别
2019-08-22 v2
摘要
深度卷积神经网络推动了图像自动理解的重大进展。需要大量图像及其关联标注是限制深度网络应用的主要瓶颈之一。在医学图像分割任务中，要求由人类专家进行像素级语义标注加剧了这一困难。本文提出了一种新框架，用于从大量廉价不可靠标注和少量专家级干净标注训练全卷积分割网络。我们提出一种空间自适应重加权方法，在损失函数中同等对待干净与含噪的像素级标注。我们采用元学习方法，对损失梯度方向更接近干净数据的像素赋予更高重要性。我们使用受不同水平标注噪声污染的分割真值训练网络的实验表明，空间重加权如何提升深度网络对含噪标注的鲁棒性。
引用
@article{arxiv.1906.03815,
title = {Learning to Segment Skin Lesions from Noisy Annotations},
author = {Zahra Mirikharaji and Yiqi Yan and Ghassan Hamarneh},
journal= {arXiv preprint arXiv:1906.03815},
year = {2019}
}