计算机科学>计算机视觉与模式识别
职务: 神经注释精化:肾上腺分析新三维数据集的开发
摘要: 人工注释是不完美的,尤其是由初级从业者制作的注释。 多专家共识通常被视为黄金标准,而这种注释协议太昂贵,无法在许多实际项目中实现。 在本研究中,我们提出了一种改进人类注释的方法,称为神经注释优化(NeAR)。 它基于一个可学习的隐函数,该函数将潜在向量解码为表示的形状。 通过将外观集成为隐式函数的输入,感知外观的NeAR修复了注释人工制品。 我们的方法在肾上腺分析中得到了应用。 我们首先表明,NeAR可以修复公共肾上腺分割数据集上扭曲的黄金标准。 此外,我们利用提议的NeAR开发了一个新的肾上腺gLand分析(ALAN)数据集,其中每个病例都由肾上腺的3D形状及其由专家指定的诊断标签(正常与异常)组成。 我们表明,根据NeAR修复的形状训练的模型可以比原始模型更好地诊断肾上腺。 ALAN数据集将是开源的,有1584个用于肾上腺诊断的形状,这是医学形状分析的新基准。 代码和数据集位于 此https URL .