尽管深度学习的卓越性能(DL)在许多分割任务上,但基于DL的方法令人惊奇地过于对高偏振标签概率的预测。对于许多具有固有标签歧义的许多应用通常是不可取的,即使在人类注释中也是如此。通过利用每张图片的多个注释和分割不确定性来解决这一挑战。但是,多次图像的批次通常不可用,在真实的应用程序中,不确定性在分段结果对用户的情况下不提供完全控制。在本文中,我们提出了新的方法来改善分割概率估计,而不会在真实情景中牺牲性能,我们只有每张图片只有一个暧昧的注释。我们将估计的网络分割概率图边缘化,这是鼓励/过度的网络上/过度段,而没有惩罚平衡分割。此外,我们提出了一个统一的HyperNetwork合奏方法,以减轻培训多个网络的计算负担。我们的方法成功地估计了反映了底层结构的分割概率图,并为具有挑战性的3D医学图像分割进行了直观控制。虽然我们所提出的方法的主要重点不是提高二元分割性能,但我们的方法略微超越了最先进的。该代码可用于\ url {https://github.com/sh4174/hypernetensemble}。
translated by 谷歌翻译