USE-Evaluator：用于具有不确定、微小或空参考标注的医学图像分割模型的性能度量
图像与视频处理
2024-03-26 v4 计算机视觉与模式识别
机器学习
摘要
医学图像分割模型的性能度量用于衡量参考标注与预测分割之间的一致性。通常，重叠度量（如 Dice）被用作评估这些模型性能的指标，以使结果具有可比性。然而，公开数据集中的案例分布和分割任务难度水平与临床实践之间存在错配。常用度量无法衡量这种错配的影响，特别是对于包含低信号病理、困难分割任务以及不确定、微小或空参考标注的临床数据集。该局限可能导致机器学习从业者在设计和优化模型时进行无效研究。评估临床价值的维度包括考虑参考标注的不确定性、独立于参考标注体积大小，以及空参考标注的分类评估。我们研究不确定、微小和空参考标注如何在独立于模型的情况下影响医学图像分割度量在内部数据集上的价值。我们检验标准深度学习框架预测上的度量行为，以识别具有临床价值的度量。我们与具有高信号病理及确定、较大且无空参考标注的公开基准数据集（BraTS 2019）进行比较。我们或可向机器学习从业者展示，不确定、微小或空参考标注如何要求重新思考评估与优化流程。评估代码已发布以鼓励对该主题的进一步分析。https://github.com/SophieOstmeier/UncertainSmallEmpty.git
引用
@article{arxiv.2209.13008,
title = {USE-Evaluator: Performance Metrics for Medical Image Segmentation Models with Uncertain, Small or Empty Reference Annotations},
author = {Sophie Ostmeier and Brian Axelrod and Jeroen Bertels and Fabian Isensee and Maarten G. Lansberg and Soren Christensen and Gregory W. Albers and Li-Jia Li and Jeremy J. Heit},
journal= {arXiv preprint arXiv:2209.13008},
year = {2024}
}
备注
16 pages, 10 figures, Published in Medical Image Analysis