Pick-and-Learn：面向噪声标注图像分割的自动质量评估

深度学习方法在许多领域取得了可喜性能，但在训练过程中仍受困于噪声标注图像。考虑到标注质量不可或缺地依赖于深厚专业知识，该问题在医学图像领域尤为关键。如何在不增加额外标注的情况下消除噪声标签对分割任务的干扰仍是一项重大挑战。本文引入我们的标签质量评估策略，使深度神经网络自动评估每个标签（未显式提供）的质量，并在干净标注上训练。我们提出一种让网络自动评估训练集中标签相对质量并使用优质标签调整网络参数的方案。我们还设计了过拟合控制模块，使网络在训练过程中从精确标注中最大化学习。在公共生物医学图像分割数据集上的实验证明，该方法优于基线方法，并在不同噪声水平下保持高准确率与良好泛化性。