学习小组学习：改进以噪声标签训练的视网膜血管分割
图像与视频处理
2021-03-08 v1 计算机视觉与模式识别
摘要
从视网膜图像中进行视网膜血管分割是开发视网膜疾病计算机辅助诊断系统的一项基本任务。已有研究致力于以端到端方式分割视网膜图像的高性能深度学习方法来开展工作。然而，视网膜血管图像与分割标签的获取需要专业临床医生付出繁重的劳动，导致训练数据集较小且标签不完整。众所周知，数据驱动方法受困于数据不足，模型易对小尺度训练数据过拟合。当训练血管标签不完整或不准确时，这种情况更为严重。本文提出一种学习小组学习（Study Group Learning, SGL）方案，以提升以噪声标签训练的模型的鲁棒性。此外，习得增强图作为临床医生的辅助工具，相较传统方法提供了更好的可视化。实验表明，所提方法在 DRIVE 与 CHASE_DB1 数据集上进一步提升了血管分割性能，尤其在训练标签含噪时效果明显。
引用
@article{arxiv.2103.03451,
title = {Study Group Learning: Improving Retinal Vessel Segmentation Trained with Noisy Labels},
author = {Yuqian Zhou and Hanchao Yu and Humphrey Shi},
journal= {arXiv preprint arXiv:2103.03451},
year = {2021}
}