自信的基于学习的标签校正用于视网膜图像分割
Tanatorn Pethmunee1, Supaporn Kansomkeat1, Patama Bhurayanontachai2
1Division of Computational Science, Faculty of Science, Prince of Songkla University, Songkhla 90110, Thailand.
Diagnostics (Basel, Switzerland)
|July 29, 2025
概括
这项研究引入了一种新的框架,使用自信学习 (CL) 和人体审查来纠正医疗图像中的噪音标签,显著提高糖尿病视网膜病变细分的准确性和可靠性.
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:
- 准确的标签在医学图像分析中至关重要,特别是用于糖尿病视网膜病变的检测.
- 视网膜图像中的标签噪声可能导致诊断错误和复杂的细分任务.
研究的目的:
- 开发和评估一个创新的标签校正框架,用于视觉网膜图像细分中的像素级不准确.
- 将自信学习 (CL) 与循环中的人类重新注释相结合,以提高数据质量.
主要方法:
- 通过使用DeeplabV3+和ResNet架构评估了两种CL策略,即自信联合分析 (CJA) 和按噪声率进行修剪 (PBNR).
- 这些方法应用于四个公共数据集 (HRF,STARE,DRIVE,CHASE_DB1),以量化和纠正标签噪声.
- 在降噪前后,基于准确性,交界点 (IoU) 和平均边界F1得分 (MeanBFScore) 评价了性能.
主要成果:
- 标签噪声降低在所有数据集中始终提高了准确性,IOU和加权IOU.
- 细分的小结构,如fovea显示了显著增强后精炼.
- 人类改进的CL提高了细分精度和评估稳定性,在关键指标上取得了显著的增长.
结论:
- 拟议的方法提供了一个可行和可扩展的解决方案,用于解决医疗图像分析中的标签噪声.
- 这种方法具有显著的潜力,可以提高临床环境中自动诊断工具的准确性和可靠性.
- 该框架提高了细分精度和评估稳定性,这对于现实应用至关重要.
