优化 CT 分割标注流程
计算机视觉与模式识别
2023-03-27 v1
摘要
在计算机断层扫描（Computed Tomography）中，机器学习常用于自动化数据处理。然而，模型复杂度的增加伴随着数据集规模的日益增大，这反过来又增加了模型训练的成本。与大多数通过改进模型架构和训练算法来缓解这一问题的工作不同，我们考虑标注流程及其对模型性能的影响。我们假设为模型训练所收集的良好数据集应具备三个主要特性：标注质量、多样性和完整性。我们使用公开的医学 CT 数据集比较了这些特性对模型性能的影响，并得出结论：在标注早期，质量比多样性更重要；而多样性反过来比完整性更重要。基于该结论和额外实验，我们提出了一种用于层析图像分割的标注流程，以在最小化标注投入的同时最大化模型性能。
引用
@article{arxiv.2303.14089,
title = {Optimizing the Procedure of CT Segmentation Labeling},
author = {Yaroslav Zharov and Tilo Baumbach and Vincent Heuveline},
journal= {arXiv preprint arXiv:2303.14089},
year = {2023}
}
备注
Under review