多标注者棱镜：从多标注者中学习自校准的医学图像分割
图像与视频处理
2022-12-02 v1 计算机视觉与模式识别
摘要
在医学图像分割中，常常需要收集多位专家的意见以做出最终决策。这一临床常规有助于减轻个体偏倚。但当数据被多重标注时，标准的深度学习模型往往不适用。本文提出一种新颖的神经网络框架，称为多标注者棱镜（Multi-Rater Prism, MrPrism），以从多个标签中学习医学图像分割。受迭代半二次优化的启发，所提出的 MrPrism 将以循环方式结合多标注者置信度分配任务与校准分割任务。在该循环过程中，MrPrism 能够考虑图像语义特性来学习观察者间变异性，并最终收敛到反映观察者间一致性的自校准分割结果。具体而言，我们提出收敛棱镜（Converging Prism, ConP）与发散棱镜（Diverging Prism, DivP）来迭代处理这两个任务。ConP 基于 DivP 估计的多标注者置信度图学习校准分割；DivP 基于 ConP 估计的分割掩码生成多标注者置信度图。实验结果表明，通过循环运行 ConP 与 DivP，两个任务可实现相互提升。MrPrism 最终收敛的分割结果在广泛的医学图像分割任务上优于当前最优（SOTA）策略。
引用
@article{arxiv.2212.00601,
title = {Multi-rater Prism: Learning self-calibrated medical image segmentation from multiple raters},
author = {Junde Wu and Huihui Fang and Yehui Yang and Yuanpei Liu and Jing Gao and Lixin Duan and Weihua Yang and Yanwu Xu},
journal= {arXiv preprint arXiv:2212.00601},
year = {2022}
}