Multi-rater Prism: Learning self-calibrated medical image segmentation from multiple raters

要約

医用画像のセグメンテーションでは、多くの場合、最終決定を下すために複数の専門家から意見を収集する必要があります。
この臨床ルーチンは、個人の偏見を軽減するのに役立ちます。
しかし、データに複数のアノテーションが付けられている場合、標準的な深層学習モデルは適用できないことがよくあります。
この論文では、複数のラベルから医用画像のセグメンテーションを学習するために、Multi-Rater Prism (MrPrism) と呼ばれる新しいニューラル ネットワーク フレームワークを提案します。
反復的な半二次最適化に着想を得て、提案された MrPrism は、複数評価者信頼度割り当てタスクとキャリブレーションされたセグメンテーション タスクを反復的に組み合わせます。
この繰り返しのプロセスで、MrPrism は画像のセマンティック プロパティを考慮して観察者間の変動性を学習し、最終的に観察者間の合意を反映した自己調整されたセグメンテーション結果に収束します。
具体的には、Converging Prism (ConP) と Diverging Prism (DivP) を提案して、2 つのタスクを繰り返し処理します。
ConP は、DivP によって推定されたマルチ評価者の信頼度マップに基づいて、キャリブレーションされたセグメンテーションを学習します。
DivP は、ConP によって推定されたセグメンテーション マスクに基づいて、マルチ評価者の信頼度マップを生成します。
実験結果は、ConP と DivP を繰り返し実行することで、2 つのタスクが相互に改善できることを示しています。
MrPrism の収束されたセグメンテーションの最終結果は、幅広い医用画像セグメンテーション タスクで最先端 (SOTA) 戦略よりも優れています。

要約(オリジナル)

In medical image segmentation, it is often necessary to collect opinions from multiple experts to make the final decision. This clinical routine helps to mitigate individual bias. But when data is multiply annotated, standard deep learning models are often not applicable. In this paper, we propose a novel neural network framework, called Multi-Rater Prism (MrPrism) to learn the medical image segmentation from multiple labels. Inspired by the iterative half-quadratic optimization, the proposed MrPrism will combine the multi-rater confidences assignment task and calibrated segmentation task in a recurrent manner. In this recurrent process, MrPrism can learn inter-observer variability taking into account the image semantic properties, and finally converges to a self-calibrated segmentation result reflecting the inter-observer agreement. Specifically, we propose Converging Prism (ConP) and Diverging Prism (DivP) to process the two tasks iteratively. ConP learns calibrated segmentation based on the multi-rater confidence maps estimated by DivP. DivP generates multi-rater confidence maps based on the segmentation masks estimated by ConP. The experimental results show that by recurrently running ConP and DivP, the two tasks can achieve mutual improvement. The final converged segmentation result of MrPrism outperforms state-of-the-art (SOTA) strategies on a wide range of medical image segmentation tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google