建模注释器偏好和医疗图像分割的随机注释错误
Zehui Liao1, Shishuai Hu1, Yutong Xie2
1National Engineering Laboratory for Integrated Aero-Space-Ground-Ocean Big Data Application Technology, School of Computer Science and Engineering, Northwestern Polytechnical University, Xi'an 710072, China.
Medical image analysis
|December 9, 2023
概括
医疗图像的手动注释引入了偏见. 一个新的偏好相关的注释分布学习 (PADL) 框架模拟注释器偏好和错误,以提高医疗图像细分的准确性.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 计算机视觉 计算机视觉
背景情况:
- 医疗图像的手动注释是主观的,容易产生偏见.
- 深度学习模型可以继承或放大这些注释器相关的偏见.
- 现有的方法很难解决因注释者偏好而产生的偏见.
研究的目的:
- 引入一种新的框架,即偏好相关的注释分布学习 (PADL),用于医疗图像细分.
- 通过建模个人偏好和随机错误来解决与注释器相关的偏见.
- 为了生成共识 (元) 细分和注释器特定的细分.
主要方法:
- PADL框架包含一个随机错误建模 (SEM) 模块.
- 人类偏好建模 (HPM) 模块用于捕获个人注释器特征.
- 该框架模拟注释者偏好和随机错误,以产生多样化的细分.
主要成果:
- PADL框架的评估是基于两个具有不同模式的医疗图像基准.
- 在五个不同的医疗图像细分任务中实现了有希望的性能.
- 该框架成功生成了元和注释器特定的细分,解决了偏见.
结论:
- PADL框架提供了一个强大的解决方案,用于减轻医学图像细分中的注释者偏差.
- 建模注释器偏好和错误导致更可靠和更准确的细分结果.
- 这种方法提高了医疗图像分析中的深度学习模型的可靠性.


