基于 Transformer 的标注偏差感知医学图像分割
计算机视觉与模式识别
2023-06-29 v2
摘要
人工医学图像分割具有主观性且受标注者相关偏差影响,该偏差可被深度学习方法模仿或放大。近来,研究者认为此类偏差是标注者偏好与随机误差的组合,分别由解码器后的卷积块与逐像素独立高斯分布建模。卷积块不太可能在全分辨率层级有效建模不同强度的偏好。此外,独立的逐像素高斯分布忽略像素相关性,导致边界不连续。本文提出基于 Transformer 的标注偏差感知(TAB)医学图像分割模型,通过建模标注者偏好与随机误差来处理标注者相关偏差。TAB 采用带可学习查询的 Transformer 提取不同的偏好聚焦特征,使 TAB 能借助单一分割头同时生成具不同偏好的分割结果。此外,TAB 采用建模像素相关性的多变量正态分布假设,并学习标注分布以解耦随机误差。我们在由六名标注者标注的 OD/OC 分割基准上评估了 TAB。结果表明 TAB 优于现有考虑标注者相关偏差的医学图像分割模型。
引用
@article{arxiv.2306.01340,
title = {Transformer-based Annotation Bias-aware Medical Image Segmentation},
author = {Zehui Liao and Yutong Xie and Shishuai Hu and Yong Xia},
journal= {arXiv preprint arXiv:2306.01340},
year = {2023}
}
备注
MICCAI 2023 Early Accept (Top 14%), 11 pages, 2 figures