反向分类精度：在无真实标签情况下预测分割性能
计算机视觉与模式识别
2017-02-14 v1
摘要
当将自动分割等计算工具整合到临床实践中时，能够评估新数据上的准确程度，特别是检测自动方法何时失败，至关重要。然而，由于缺乏真实标签，这很难实现。临床数据上的分割精度可能与通过交叉验证发现的有所不同，因为验证数据常用于方法的增量开发过程中，这可能导致过拟合和不切实际的性能预期。在部署前，使用不同指标量化性能，将预测分割与参考分割（通常由专家手动获得）进行比较。但在部署后当参考不可用时，真实性能知之甚少。本文中，我们引入反向分类精度（RCA）的概念，作为预测分割方法在新数据上性能的框架。在RCA中，我们取新图像的预测分割来训练一个反向分类器，该分类器在一组有可用真实标签的参考图像上评估。假设是：如果预测分割质量良好，则反向分类器至少在部分参考图像上表现良好。我们在多器官分割上用不同分类器和分割方法验证了我们的方法。结果表明，在缺乏真实标签的情况下，确实可以预测单个分割的质量。因此，RCA非常适合整合到临床常规自动处理流程以及大规模图像分析研究中。
引用
@article{arxiv.1702.03407,
title = {Reverse Classification Accuracy: Predicting Segmentation Performance in the Absence of Ground Truth},
author = {Vanya V. Valindria and Ioannis Lavdas and Wenjia Bai and Konstantinos Kamnitsas and Eric O. Aboagye and Andrea G. Rockall and Daniel Rueckert and Ben Glocker},
journal= {arXiv preprint arXiv:1702.03407},
year = {2017}
}
备注
Accepted article to appear in IEEE Transactions on Medical Imaging 2017