众包图像细分用于深度学习:为公民科学,付费微任务和游戏化提供集成平台

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 人与计算机的交互

背景情况:

• 准确的医疗图像细分至关重要,但由于数据稀缺和观察者变异性而受到阻碍.
• 深度学习看起来很有前途,但需要大量的注释数据集.
• 众包提供了一个潜在的解决方案,利用非专家的贡献.

研究的目的:

• 为了比较不同的众包模型对医疗图像细分的有效性.
• 评估一个新的众包平台,整合公民科学,付费微任务和游戏化.
• 评估众包细分的准确性和在此类数据上训练的模型的概括性.

主要方法:

• 开发了一个众包平台,支持公民科学,付费微任务和游戏化.
• 在 fundus 图像中使用了膜细分作为概念验证.
• 分析了众包面具和深度学习模型概括的准确性.

主要成果:

• 公民科学在细分准确性方面获得了最高的F-score (82.2%) 中位数.
• 共识面具改善了游戏化结果 (78.3%).
• 在众包数据上训练的深度学习模型显示出良好的概括性,F分数从73.5%到80.0%不等.

结论:

• 开发的平台有效地支持医疗图像细分的多种众包方法.
• 公民科学已经成为一种高效的众包模式.
• 该平台将作为开源软件发布,使研究社区受益.