离群值引导的腹部分割优化
计算机视觉与模式识别
2020-02-12 v1
摘要
计算机断层扫描（CT）图像的腹部多器官分割一直是广泛研究的兴趣所在。它在医学图像处理中呈现重大挑战，因为腹部器官的形状与分布可在人群间及个体随时间发生巨大变化。虽然将新数据集持续集成至训练集提供了更好分割性能的潜力，但大规模数据收集不仅成本高昂，且在某些情境下不切实际。此外，额外数据所能提供的边际价值仍不明确。在此，我们通过人工质量保证（QA）提出一种单遍主动学习方法。我们基于预训练的 3D U-Net 模型进行腹部多器官分割，并用离群数据（例如基线算法失败的样本）或内围数据（例如基线算法成功的样本）扩充数据集。新模型使用扩充数据集以 5 折交叉验证（针对离群数据）与保留离群样本（针对内围数据）进行训练。离群值的手动标注使离群值的 Dice 分数提高了 0.130，而内围值提高了 0.067（p<0.001，双尾配对 t 检验）。通过向训练中添加 5 至 37 个内围或离群样本，我们发现添加离群值的边际价值高于添加内围值。总之，在获得单器官性能提升的同时，未削弱多器官性能或显著增加训练时间。因此，识别并修正基线失败案例构成了一种有效且高效的训练数据选择方法，以改善算法性能。
引用
@article{arxiv.2002.04098,
title = {Outlier Guided Optimization of Abdominal Segmentation},
author = {Yuchen Xu and Olivia Tang and Yucheng Tang and Ho Hin Lee and Yunqiang Chen and Dashan Gao and Shizhong Han and Riqiang Gao and Michael R. Savona and Richard G. Abramson and Yuankai Huo and Bennett A. Landman},
journal= {arXiv preprint arXiv:2002.04098},
year = {2020}
}
备注
SPIE2020 Medical Imaging