面向医学图像分割的标注者偏好建模与随机标注误差
计算机视觉与模式识别
2022-03-23 v3
摘要
医学图像的人工标注具有高度主观性，导致不可避免且巨大的标注偏差。深度学习模型在各种任务上可能超越人类表现，但它们也可能模仿或放大这些偏差。尽管我们可以通过引入多名标注者并融合其标注来减少随机误差，但我们无法使用这种策略来处理由标注者偏好引起的偏差。在本文中，我们强调了医学图像分割任务中与标注者相关的偏差问题，并提出了一种包含偏好的标注分布学习框架来解决该问题。该框架从利用分布学习将标注者的偏好与随机误差解耦的视角出发，不仅能生成元分割结果，还能生成每个标注者可能做出的分割结果。在该框架下，一个随机误差建模模块估计元分割图和平均随机误差图，而一系列人类偏好建模模块估计每个标注者的分割结果及相应的随机误差。我们在两个具有不同成像模态的医学图像基准上评估了我们的 PADL 框架，这些基准由多名医学专业人员标注，并在所有五个医学图像分割任务上取得了有前景的性能。
引用
@article{arxiv.2111.13410,
title = {Modeling Annotator Preference and Stochastic Annotation Error for Medical Image Segmentation},
author = {Zehui Liao and Shishuai Hu and Yutong Xie and Yong Xia},
journal= {arXiv preprint arXiv:2111.13410},
year = {2022}
}