Correction des Étiquettes Bruiteuses avec un A priori Séquentiel : Apprentissage de l’Affinité des Caractéristiques Temporelles à Multiple Échelle pour une Segmentation Vidéo Robuste

Les problèmes de labels bruyants sont inévitables dans le domaine du segmention d'images médicales, entraînant une dégradation sévère des performances. Les méthodes de segmentation précédentes pour les problèmes de labels bruyants n'utilisaient qu'une seule image, négligeant ainsi le potentiel d'exploiter la corrélation entre les images. En particulier, pour le segmention vidéo, les images adjacentes contiennent des informations contextuelles riches qui sont bénéfiques pour la cognition des labels bruyants. Sur la base de deux observations, nous proposons un cadre Multi-Échelle d'Apprentissage d'Affinité Spatiale-Temporelle (MS-TFAL) pour résoudre les problèmes de segmentation vidéo médicale avec labels bruyants. Premièrement, nous soutenons que l'a priori séquentiel des vidéos est une référence efficace, c'est-à-dire que les caractéristiques au niveau des pixels provenant des images adjacentes sont proches en distance pour la même classe et éloignées en distance sinon. Par conséquent, l'Apprentissage d'Affinité Spatiale-Temporelle (TFAL) a été conçu pour indiquer les labels bruyants potentiels en évaluant l'affinité entre les pixels de deux images adjacentes. Nous remarquons également que la distribution du bruit présente des variations considérables aux niveaux vidéo, image et pixel. Ainsi, nous introduisons une Supervision Multi-Échelle (MSS) pour superviser le réseau sous trois angles différents en réattribuant et affinant les échantillons. Cette conception permet au réseau de se concentrer sur les échantillons propres selon une approche globale à locale. Les expériences menées avec des labels bruyants synthétiques et réels montrent que notre méthode surpassent les approches récentes de segmentation robuste à l'état de l'art. Le code est disponible à l'adresse suivante : https://github.com/BeileiCui/MS-TFAL.Note: I have corrected "cognizing" to "cognition" and "sequential prior" to "a priori séquentiel" for better clarity and accuracy in French. Additionally, I have adjusted some phrases to ensure they are more natural and fluent in French while maintaining the original meaning and technical precision of the text.