多评分器镜:从多个评分器学习自校准的医疗图像细分

科学领域:

• 医疗图像分析 医学图像分析
• 计算机视觉 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 医疗图像细分通常需要多个专家注释来减少偏差.
• 标准的深度学习模型在使用多注释器数据集时遇到困难.
• 解决观察者之间的变化对于强大的细分至关重要.

研究的目的:

• 提出一种新的神经网络框架,多级镜 (MrPrism),用于使用多个专家标签进行医疗图像细分.
• 开发一种方法,可以同时从观察者间的变化和图像语义中学习.
• 实现自我校准的细分结果,反映专家一致意见.

主要方法:

• 介绍了多层镜 (MrPrism),这是一个循环神经网络框架,灵感来自代半二次优化.
• 开发了用于校准细分的收镜 (ConP) 和用于多级置信地图估计的分离镜 (DivP).
• 实施了一种代过程,其中ConP和DivP相互增强.

主要成果:

• 在ConP和DivP的反复过程中,细分和信心估计之间表现出了相互改善.
• 与最先进的方法相比,MrPrism在各种医疗图像细分任务中取得了更高的性能.
• 该框架成功地学习了观察者之间的变异性,并产生了自我校准的细分.

结论:

• MrPrism提供了一种有效的医疗图像细分解决方案,具有多个专家注释.
• 拟议的循环框架成功模拟了观察者之间的变化,并提高了细分的准确性.
• 这种方法通过使深度学习模型能够利用多级数据中的共识和分歧来推动该领域的进步.