VALSE 论文速览第09期：基于多专家一致性建模的医学图像分割校准学习

2021 年 8 月 24 日 VALSE

为了使得视觉与学习领域相关从业者快速及时地了解领域的最新发展动态和前沿技术进展，VALSE最新推出了《论文速览》栏目，将在每周二和周五各发布一篇顶会顶刊论文的录制视频，对单个前沿工作进行细致讲解。本期VALSE论文速览选取了来自腾讯、阿尔伯塔大学、北京同仁医院的医学图像分割方面的工作。该工作由腾讯郑冶枫老师、余双博士以及阿尔伯塔大学程立教授指导，由冀炜同学在腾讯实习期间完成。将为大家呈现医学图像分割校准学习最前沿的进展。

论文题目：基于多专家一致性建模的医学图像分割校准学习

作者列表：冀炜 (阿尔伯塔大学)，余双 (腾讯)，吴俊德 (腾讯)，马锴 (腾讯)，边成 (腾讯)，毕奇 (腾讯)，李婧婧 (阿尔伯塔大学)，刘含若 (首都医科大学附属北京同仁医院)，程立 (阿尔伯塔大学)，郑冶枫 (腾讯)

B站观看网址：

https://www.bilibili.com/video/BV1WQ4y1Y7ed/

复制链接到浏览器打开或点击阅读原文即可跳转至观看页面。

论文摘要：

在医学图像分析中，通常会收集多个金标准，每个金标准来自不同的临床专家或评估者，以期望减少可能的诊断错误。同时，从计算机视觉从业者的角度来看，采用通过多数投票或来自某个评估者的标注结果去获得模型真实标签已成为一种常见做法。然而，这个过程往往会忽略在原始多专家标注中嵌入的一致性或差异性信息。为了解决这个问题，我们提出对多专家信息进行显式建模，称为MRNet，它有两个主要贡献。首先，设计了一个专业知识推断模块或EIM，将各个评分者的专业知识水平作为先验知识，以形成高级语义特征。其次，我们的方法能够从粗略预测中重建多专家的标注，并进一步利用多专家的信息来提高分割性能。据我们所知，我们的工作是第一个尝试在不同专业水平下为医学图像分割生成校准预测的工作。同时，我们也在不同成像方式的五个医学分割任务中进行了广泛的实验，以此验证我们方法的有效性。

论文信息：

[1] Wei Ji, Shuang Yu, Junde Wu, Kai Ma, Cheng Bian, Qi Bi, Jingjing Li, Hanruo Liu, Li Cheng, Yefeng Zheng, "Learning Calibrated Medical Image Segmentation via Multi-Rater Agreement Modeling," in Proceeding of IEEE Computer Vision and Pattern Recognition (CVPR 2021), virtual, June 2021.

论文链接：

[https://openaccess.thecvf.com/content/CVPR2021/papers/Ji_Learning_Calibrated_Medical_Image_Segmentation_via_Multi-Rater_Agreement_Modeling_CVPR_2021_paper.pdf]

视频讲者简介：

冀炜同学目前就读于University of Alberta, 是电子和计算机工程系一年级博士生，其导师为 Prof. Li Cheng。研究兴趣包括计算机视觉，医学图像处理，视觉注意力分析。