具有多种可接受标注的分割：对比超声心动图中心肌分割的案例研究
计算机视觉与模式识别
2021-06-30 v1
摘要
大多数现有的基于深度学习的图像分割框架都假设已知唯一的真实标注（ground truth）并可用于性能评估。这对许多应用成立，但并非全部。心肌对比超声心动图（MCE）的心肌分割是自动心肌灌注分析中的一项关键任务，即为一例。由于 MCE 数据分辨率低且伪影严重，不同心脏病专家的标注可能差异显著，且难以判断哪一个最佳。在此情况下，我们如何找到评估分割性能的好方法，又如何训练神经网络？本文针对第一个问题，提出一种新的扩展 Dice 系数，以在存在多个可接受真实标注时有效评估分割性能。随后基于所提度量，我们将新度量进一步纳入损失函数，使神经网络能够灵活学习心肌的通用特征，从而解决第二个问题。在我们的临床 MCE 数据集上的实验结果表明，使用所提损失函数训练的神经网络在定量与定性上均优于那些试图从多重标注中获取唯一真实标注的现有方法。最后，我们的评级研究表明，与使用 Dice 系数相比，使用扩展 Dice 作为评估度量能更好地识别需要人工修正的分割结果。
引用
@article{arxiv.2106.15597,
title = {Segmentation with Multiple Acceptable Annotations: A Case Study of Myocardial Segmentation in Contrast Echocardiography},
author = {Dewen Zeng and Mingqi Li and Yukun Ding and Xiaowei Xu and Qiu Xie and Ruixue Xu and Hongwen Fei and Meiping Huang and Jian Zhuang and Yiyu Shi},
journal= {arXiv preprint arXiv:2106.15597},
year = {2021}
}
备注
12 pages