掩盖未知：评估处理 MICCAI2023 Mediastinal Lymph Node 量化挑战中弱标注策略
计算机视觉与模式识别
2024-06-24 v1
摘要
病理性淋巴结描绘在癌症诊断、疾病进展评估和治疗计划中至关重要。MICCAI 2023 lymph node 量化挑战首次发布了用于颈部淋巴结分割的公共数据集。由于淋巴结标注成本高昂，挑战以弱监督学习形式进行，仅对训练集中部分淋巴结进行标注。针对挑战提交，探索了多种在弱监督数据上训练的方法，包括噪声标签训练、未标记数据损失掩码，以及集成 TotalSegmentator 工具箱作为伪标注以减少未知体素数的做法。此外，还纳入了多个公共 TCIA 数据集以提高深度学习模型性能。我们提交的模型在挑战测试集上获得 Dice 评分0.628和平均对称表面距离5.8 mm。通过我们提交的模型，我们在 MICCAI2023 LNQ 挑战中获得了第三名。我们分析的结果表明，整合所有可见的（包括非病理性的）淋巴结可提高测试集上病理性淋巴结的整体分割性能。此外，仅在挑战情景中给出的临床增大淋巴结上训练的分割模型无法推广到较小的病理性淋巴结。挑战提交的代码和模型可在 https://gitlab.lrz.de/compai/MediastinalLymphNodeSegmentation 获得。
引用
@article{arxiv.2406.14365,
title = {Mask the Unknown: Assessing Different Strategies to Handle Weak Annotations in the MICCAI2023 Mediastinal Lymph Node Quantification Challenge},
author = {Stefan M. Fischer and Johannes Kiechle and Daniel M. Lang and Jan C. Peeken and Julia A. Schnabel},
journal= {arXiv preprint arXiv:2406.14365},
year = {2024}
}
备注
Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2024:008