意见不一？诊断优先！
图像与视频处理
2022-09-20 v3 计算机视觉与模式识别
机器学习
摘要
随着深度学习技术的发展，越来越多的从眼底图像中分割视盘和视杯（OD/OC）的方法被提出。临床上，OD/OC分割通常由多名临床专家标注以减轻个人偏差。然而，很难在多个标签上训练自动化深度学习模型。解决该问题的常见做法是多数投票，例如取多个标签的平均值。但此类策略忽略了医学专家专业程度的不同。受OD/OC分割临床上常用于青光眼诊断这一观察的启发，本文提出一种通过青光眼诊断性能融合多标注者OD/OC分割标签的新策略。具体而言，我们通过一个注意力青光眼诊断网络评估每位标注者的专业程度。对于每位标注者，其对诊断的贡献将反映为专业程度图。为确保专业程度图对不同青光眼诊断模型具有通用性，我们进一步提出专业程度生成器（ExpG）以消除优化过程中的高频分量。基于获得的专业程度图，多标注者标签可融合为单一真值，我们称之为诊断优先真值（DiagFirstGT）。实验结果表明，使用DiagFirstGT作为真值，OD/OC分割网络将预测出具有更优青光眼诊断性能的掩码。
引用
@article{arxiv.2202.06505,
title = {Opinions Vary? Diagnosis First!},
author = {Junde Wu and Huihui Fang and Dalu Yang and Zhaowei Wang and Wenshuo Zhou and Fangxin Shang and Yehui Yang and Yanwu Xu},
journal= {arXiv preprint arXiv:2202.06505},
year = {2022}
}
备注
MICCAI 2022