G-T校正:在杂的标签下改进了图像分割的训练
Yun Gao1,2, Junhu Fu1,2, Yi Guo3,4
1School of Information Science and Technology of Fudan University, 220 Handan Rd, Shanghai, 200433, China.
Medical & biological engineering & computing
|July 20, 2024
概括
这项研究引入了一种新的两阶段框架,以改进使用噪音标签的医疗图像细分. 该方法准确地识别和纠正不准确的注释,提高网络性能并显示临床潜力.
科学领域:
- 医疗图像分析 医疗图像分析
- 机器学习在医疗保健中的应用
- 计算机视觉 计算机视觉 计算机视觉
背景情况:
- 医疗图像细分的深度学习依赖于专家的注释.
- 获得专家注释是具有挑战性和昂贵的.
- 非专家的注释引入了标签噪声,降低了细分性能.
研究的目的:
- 用噪音标签训练的神经网络的细分性能提高.
- 开发一个强大的框架,用于识别和纠正医学成像数据集中不准确的注释.
主要方法:
- 提出了一个两阶段的框架",G-T校正".
- "G"阶段使用正反方法和高斯混合模型通过损失直方图识别噪音标签.
- "T"阶段使用自信的校正和早期学习策略进行标签校正.
主要成果:
- "G-T纠正"框架在识别噪音标签方面取得了超过90%的准确性.
- 该方法使网络的DICE系数在模拟和真实世界的噪音数据上提高到91%.
- 尽管有标签噪音,但在细分性能方面取得了显著提升.
结论:
- 拟议的"G-T校正"方法有效地解决了医疗图像细分中的噪音标签的挑战.
- 这种方法为改善AI模型在临床环境中的可靠性和准确性提供了一个有希望的解决方案.
- 该框架显示了数据驱动医学图像分析的良好临床应用前景.
