TIMELY：提升医学影像中细胞类型分类的标注一致性
机器学习
2020-07-13 v1 计算机视觉与模式识别
图像与视频处理
机器学习
摘要
诊断白血病或贫血等疾病需要可靠的血细胞计数。血液学家通常手动标注和计数血细胞的显微图像。然而，在许多情况下，不同成熟度的细胞难以区分，加之图像噪声和主观性，人类容易做出标注错误。这导致标注往往不可复现，从而直接影响诊断。我们提出 TIMELY，一种将伪时间推断方法与非均匀隐马尔可夫树相结合的概率模型，以应对标注不一致这一挑战。我们首先在仿真数据上表明，TIMELY 能够以比标注校正基线方法更高的精确率和召回率识别并纠正错误标注。随后我们将该方法应用于两个真实世界的血细胞数据集，并表明 TIMELY 能成功发现不一致标注，从而提升人工生成标注的质量。
引用
@article{arxiv.2007.05307,
title = {TIMELY: Improving Labeling Consistency in Medical Imaging for Cell Type Classification},
author = {Yushan Liu and Markus M. Geipel and Christoph Tietz and Florian Buettner},
journal= {arXiv preprint arXiv:2007.05307},
year = {2020}
}
备注
Accepted at ECAI 2020 (24th European Conference on Artificial Intelligence)