【论文粗读】Pick-and-Learn: Automatic Quality Evaluationfor Noisy-Labeled Image Segmentation

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

MICCAI2019 :选择-学习:噪声标记图像分割的自动质量评估

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

---

摘要：

深度学习方法在许多领域都取得了很好的效果，但在训练过程中，它们仍在与噪声标记的图像作斗争。考虑到标注质量离不开专业知识，在医学图像领域这一问题显得尤为关键。如何在没有进一步标注的情况下消除噪声标签对分割任务的干扰仍然是一个重大的挑战。在本文中，我们引入了我们的标签质量评估策略，用于深度神经网络自动评估每个标签的质量，这不是明确提供的，并在干净注释的标签上训练。我们提出了一种网络自动评估训练集中标签的相对质量并使用好的标签来优化网络参数的解决方案。我们还设计了一个过拟合控制模块，让网络在训练过程中最大限度地从精确的标注中学习。在公共生物医学图像分割数据集上的实验证明，该方法优于基线方法，在不同的噪声水平下都能保持较高的精度和良好的泛化效果。

---

一、主要亮点

• 基于标签与输入之间的关系设计了一种新型的自动质量评价模块；
• 过拟合控制模块，保证有足够的可训练样本，避免过拟合。

二、网络结构

特征提取模块、质量感知模块(QAM)和过拟合控制模块(OCM)

 

三、实验部分

不同噪声水平下实验对比