走向高质量的伪面具,从杂或弱的注释到强大的医疗图像细分

科学领域:

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

背景情况:

• 深度学习在图像细分方面表现出色,但需要大量高质量的标记数据.
• 在医疗应用中获取此类数据是昂贵且耗时的.
• 从不完美的注释 (噪音或弱标签) 中学习对于医疗图像细分至关重要.

研究的目的:

• 开发一种方法,从不完美的医学图像注释中提取高质量的伪面具.
• 为了利用一小组干净的标签来完善杂或弱的注释.
• 为了应对医疗图像细分中的有限标记数据的挑战.

主要方法:

• 一个两个阶段的框架,包括一个噪声识别网络和一个噪声强大的细分网络.
• 噪音识别网络使用三分支结构来学习和修改来自不完美的注释的噪音模式.
• 噪声强度细分网络采用并行网络和标签软化来处理残余噪声.

主要成果:

• 拟议的方法有效地改进了医学图像中的注释缺陷.
• 实验结果表明,与公共数据集上的最先进方法相比,细分性能优越.
• 这种方法成功地从不完美的注释中提取出高质量的伪面具.

结论:

• 开发的框架提供了一个强大的解决方案,用于医疗图像细分与不完美的注释.
• 在有缺陷的注释中识别独特的噪音模式是提高细分精度的关键.
• 这种方法通过从有限和不完美标记的医疗数据中实现有效的学习,使该领域取得了重大进展.