Ensemble learning via supervision augmentation for white matter hyperintensity segmentation

摘要

现有的分割数据集都是每个影像只有一个对应的标注结果，然而这类标注结果在病灶边缘等模糊区域具有不确定性，从而可能导致病灶定位的精准度降低，影响患者的临床诊疗效果。本研究提出了一种监督增广的方法，对现有的单个标注使用深度贝叶斯网络进行不确定性估计，获得标注对应的不确定性图（像素级的）。然后基于不确定性图来获得多样性的监督信息，通过多样性的监督信息和经典的集成学习相结合（不同的监督信息训练集成学习中不同的基线模型），从而有效的提升模型的分割性能。实验发现，本研究提出的监督增广结合集成学习的方法在数据集较小的时候，性能提升更加显著。同时根据集成学习中不同基线模型的预测结果的差异性，可以获得最终预测结果对应的不确定性图。