[论文解读] Learning to Segment from Noisy Annotations: A Spatial Correction Approach

Jiachen Yao, Yikai Zhang+4 more|arXiv (Cornell University)|Jul 21, 2023

Machine Learning and Data ClassificationComputer Science被引用 3

一句话总结

本文提出了一种基于马尔可夫的新型标签噪声模型，用于医学图像分割，能够捕捉噪声标注中的空间相关性和偏差，并引入一种空间校正（SC）方法，利用少量干净的验证集逐步恢复真实标签。该方法在合成数据和真实世界噪声分割基准上均优于当前最先进方法，具备理论保证和实证验证，即使在高噪声或验证数据极少的情况下也表现出鲁棒性。

ABSTRACT

Noisy labels can significantly affect the performance of deep neural networks (DNNs). In medical image segmentation tasks, annotations are error-prone due to the high demand in annotation time and in the annotators' expertise. Existing methods mostly assume noisy labels in different pixels are extit{i.i.d}. However, segmentation label noise usually has strong spatial correlation and has prominent bias in distribution. In this paper, we propose a novel Markov model for segmentation noisy annotations that encodes both spatial correlation and bias. Further, to mitigate such label noise, we propose a label correction method to recover true label progressively. We provide theoretical guarantees of the correctness of the proposed method. Experiments show that our approach outperforms current state-of-the-art methods on both synthetic and real-world noisy annotations.

研究动机与目标

• 为解决医学图像分割中因时间成本高和专业要求高而导致标注易出错的标签噪声这一关键挑战。
• 将分割标签噪声建模为非独立同分布（i.i.d.）而是空间相关，以反映真实世界中标注误差在物体边界附近的特性。
• 开发一种标签校正方法，仅使用少量干净的验证集即可减轻此类空间相关噪声引入的偏差。
• 提供理论保证，证明即使验证数据极少，也能实现完全偏差校正和标签恢复。
• 在合成和真实世界噪声分割数据集上验证该方法的有效性，优于现有SOTA方法。

提出的方法

• 提出一种基于马尔可夫过程的分割标签噪声模型，通过两个伯努利变量模拟边界扩张/收缩决策，并在边界上引入空间依赖的强度。
• 引入稀疏随机翻转成分，允许在内部或外部区域偶尔出现误标，以捕捉真实世界的标注错误。
• 开发一种标签校正算法，利用干净验证集估计并消除偏差，理论证明即使仅有一个验证样本也足以实现完全偏差校正。
• 提出校正方法的迭代变体（SC），通过交替训练分割模型和精炼标签，提升对复杂噪声模式的鲁棒性。
• 设计方法时保持架构无关性，可与任意深度神经网络主干网络集成用于分割任务。
• 采用空间感知的噪声模型，生成逼真的噪声掩码——即真实边界的连续失真，与不切实际的i.i.d.噪声模式形成对比。

实验结果

研究问题

• RQ1 马尔可夫过程模型能否有效捕捉真实世界分割标签噪声中固有的空间相关性和偏差？
• RQ2 是否可能仅使用少量干净验证标注即可校正分割中的标签噪声，并具备正确性的理论保证？
• RQ3 在高噪声或真实噪声水平下，所提出的空间校正方法与现有SOTA方法相比性能如何？
• RQ4 通过模型训练与校正交替进行的标签迭代精炼，是否能在多种数据集上持续带来性能提升？
• RQ5 该方法是否能泛化到超越合成噪声设置的真实世界噪声标注？

主要发现

• 在JSRT数据集上，高噪声水平（S_E和S_S设置）下，所提SC方法的平均DSC为91.51±0.62，显著优于次优方法（CLE为86.85±0.84）。
• 在LIDC-IDRI数据集上，面对真实世界噪声，SC的平均DSC为53.72±1.70，优于最佳基线方法（CDR为49.41±0.79）。
• 消融实验表明，即使噪声水平提升至极端程度，SC仍保持高性能，而GCE和ELR等基线方法性能迅速下降。
• SC在仅使用一个干净验证样本时依然有效，在Cityscapes上达到DSC 82.30±0.10，优于所有基线方法（包括CLE的74.41±0.12）。
• SC的迭代版本在多个基准上收敛并持续提升分割性能，展现出对复杂噪声模式的鲁棒性。
• 图5的定性结果表明，SC能有效校正边界失真并恢复真实的分割掩码，即使在严重噪声情况下亦然。