Key points are not available for this paper at this time.
In der medizinischen Bildanalyse ist es üblich, mehrere Annotationen zu sammeln, jeweils von einem anderen klinischen Experten oder Bewerter, in der Erwartung, mögliche diagnostische Fehler zu mindern. Unterdessen ist es aus der Sicht des Praktikers der Computer Vision gängige Praxis, die Ground-Truth-Labels zu übernehmen, die entweder durch Mehrheitsentscheidung oder einfach von einer bevorzugten Bewertung stammen. Dieser Prozess neigt jedoch dazu, die reichhaltigen Informationen über Übereinstimmung oder Meinungsverschiedenheit, die in den ursprünglichen Multi-Rater-Annotationen enthalten sind, zu übersehen. Um dieses Problem zu adressieren, schlagen wir vor, die Multi-Rater-(Dis-)Übereinstimmung explizit zu modellieren, genannt MRNet, was zwei Hauptbeiträge hat. Erstens wird ein expertise-bewusster Inferenzmodul oder EIM entwickelt, um das Erfahrungsniveau einzelner Bewerter als Vorwissen einzubetten, um hochgradige semantische Merkmale zu bilden. Zweitens ist unser Ansatz in der Lage, Multi-Rater-Bewertungen aus groben Vorhersagen zu rekonstruieren, wobei die Multi-Rater-(Dis-)Übereinstimmungsindikatoren weiter genutzt werden, um die Segmentierungsleistung zu verbessern. Soweit wir wissen, ist unsere Arbeit die erste, die kalibrierte Vorhersagen unter verschiedenen Erfahrungsstufen für die medizinische Bildsegmentierung produziert. Umfassende empirische Experimente werden über fünf medizinische Segmentierungsaufgaben unterschiedlicher Bildgebungsmodalitäten durchgeführt. In diesen Experimenten wird die überlegene Leistung unseres MRNet im Vergleich zu den aktuellen Stand der Technik beobachtet, was die Effektivität und Anwendbarkeit unseres MRNet für eine breite Palette medizinischer Segmentierungsaufgaben anzeigt. Der Quellcode ist öffentlich verfügbar.
Ji et al. (Tue,) untersuchten diese Frage.