神经标注精炼：用于肾上腺分析的新三维数据集开发
计算机视觉与模式识别
2022-07-11 v2 人工智能
机器学习
图像与视频处理
摘要
人工标注是不完美的，尤其当由初级从业者产生时。多专家共识通常被视为金标准，但该标注协议在许多实际项目中过于昂贵而难以实施。本研究提出一种名为神经标注精炼（NeAR）的方法来精炼人工标注。它基于可学习的隐式函数，将潜向量解码为表示的形状。通过将外观作为隐式函数的输入，感知外观的 NeAR 修复了标注伪影。我们的方法在肾上腺分析应用中得到展示。我们首先表明 NeAR 能在公共肾上腺分割数据集上修复扭曲的金标准。此外，我们利用提出的 NeAR 开发了新的肾上腺分析（ALAN）数据集，其中每例包含肾上腺的三维形状及专家指定的诊断标签（正常 vs. 异常）。我们表明，在经 NeAR 修复的形状上训练的模型比原始形状上训练的模型能更好地诊断肾上腺。ALAN 数据集将开源，包含 1,584 个用于肾上腺诊断的形状，可作为医学形状分析的新基准。代码与数据集见 https://github.com/M3DV/NeAR。
引用
@article{arxiv.2206.15328,
title = {Neural Annotation Refinement: Development of a New 3D Dataset for Adrenal Gland Analysis},
author = {Jiancheng Yang and Rui Shi and Udaranga Wickramasinghe and Qikui Zhu and Bingbing Ni and Pascal Fua},
journal= {arXiv preprint arXiv:2206.15328},
year = {2022}
}
备注
MICCAI 2022