基于软标签与噪声鲁棒损失的弱监督医学图像分割
计算机视觉与模式识别
2023-09-19 v1
摘要
深度学习算法的最新进展为解决许多医学图像分析问题带来了显著益处。训练深度学习模型通常需要带有专家标注的大规模数据集。然而，获取专家标注不仅昂贵，而且具有主观性、易出错，且观察者间/观察者内的变异性会给标签引入噪声。在使用深度学习模型分割医学图像时，由于解剖边界模糊，这尤其成为一个问题。使用以错误分割标签训练的深度学习模型的基于图像的医学诊断工具可能导致错误诊断和治疗建议。与单标注者标注相比，多标注者标注可能更适合于用小训练集训练深度学习模型。本文旨在开发和评估一种基于多标注者标注和MRI中病灶特征解剖学知识生成概率标签的方法，以及一种使用归一化主动-被动损失作为“噪声容忍损失”函数、利用概率标签训练分割模型的方法。通过将模型与17例膝关节MRI扫描的二值金标准进行比较，评估其在骨 marrow 病变（BML）的临床分割和检测中的表现。与二值交叉熵损失函数相比，所提方法成功将精确率提高14%、召回率提高22%、Dice分数提高8%。总体而言，本工作结果表明，所提使用软标签的归一化主动-被动损失成功减轻了噪声标签的影响。
引用
@article{arxiv.2209.08172,
title = {Weakly Supervised Medical Image Segmentation With Soft Labels and Noise Robust Loss},
author = {Banafshe Felfeliyan and Abhilash Hareendranathan and Gregor Kuntze and Stephanie Wichuk and Nils D. Forkert and Jacob L. Jaremko and Janet L. Ronsky},
journal= {arXiv preprint arXiv:2209.08172},
year = {2023}
}