[MICCAI2019] Pick-and-Learn: Automatic Quality Evaluation for Noisy-Labeled Image Segmentation

作者信息
Haidong Zhu, Tsinghua 电机系
文章针对医学影像中标注质量的痛点进行了探究，pick & learn，顾名思义，文章用到的解决方法为：对每个mini-batch中样本的标注质量进行评分，然后根据标注质量高低对相应样本的loss进行加权，得到mini-batch的最终loss后再反向传播，更新网络。

---

Method

如下为方法框图，包含3个主要模块：segmentation module，quality awareness module（QAM），overfitting control module （OCM）

QAM（quality awareness module）

QAM是与segmentation module平行的分支，它的输入为图像+label（n+1通道数），结构为VGG网络，最后一层为average pooling（AVP）层，输出batch中每个sample 的 标注质量分数，再接上一个 softmax 层，使得一个batch中分数总和为1.