求同存异：学习高度争议的多评分者标注
计算机视觉与模式识别
2019-09-05 v1 人工智能
摘要
由于训练、专业水平及随时间一致性的差异，人类评分者对小型病理对象的分类与区分可能存在很大差异。在放射学场景中，对象通常具有较大的类内表观变异性，同时在不同类别间共享某些特征，使其区分更加困难。例如，脑小血管病标志物如血管周围间隙扩大（EPVS）和腔隙，其表观可高度多样，而类间相似性高，使该任务对人类评分者极具挑战。本文研究深度学习框架下个体评分者行为与多评分者共识的联合模型，并将其应用于脑损伤对象检测任务。结果表明，与直接预测共识标签相比，联合建模个体与共识估计可显著提升性能，同时还能刻画人类评分者的一致性。
引用
@article{arxiv.1909.01891,
title = {Let's agree to disagree: learning highly debatable multirater labelling},
author = {Carole H. Sudre and Beatriz Gomez Anson and Silvia Ingala and Chris D. Lane and Daniel Jimenez and Lukas Haider and Thomas Varsavsky and Ryutaro Tanno and Lorna Smith and Sébastien Ourselin and Rolf H. Jäger and M. Jorge Cardoso},
journal= {arXiv preprint arXiv:1909.01891},
year = {2019}
}
备注
Accepted at MICCAI 2019