分割多标签有效融合研究获重要进展

4月26日，人工智能与数字经济广东省实验室（广州）（以下简称琶洲实验室）教授许言午团队在分割多标签有效融合研究方面取得重要进展。相关成果以《通过诊断优先原则校准标注者间分割不确定性》为题发表于《IEEE医学影像汇刊》（IEEE Transactions on Medical Imaging）。

该项工作主要研究如何利用诊断优先原则校准不同标注者间分割不确定性的问题。在医学图像分割领域，由于组织/病变可能存在模糊性，通常需要多位临床专家共同标注分割目标区域，以降低个人偏见对标注工作的影响，然而这也引入了标注者间的不确定性。

不同标注者的标注区域会受到其经验和专业知识的影响，导致标注结果的差异。例如，如果将所有标注者给出的结果的平均值作为标准，那么经验不足的专家往往更保守，从而导致更大的标注区域，而一些专家可能提供的标注区域比其他人小得多。

为了解决这一问题，通常采用多数投票法，但是这一方法忽略了标注者专业知识的差异。在最研究中，许言午团队提出了一种名为“诊断优先的分割框架”——Diagnosis-First Segmentation Framework （以下简称DiFF)，旨在以疾病诊断为准则来校准医学图像分割中的标注者间不确定性。

据介绍，DiFF首先学习将多个标注者的分割标签融合到一个单一的诊断优先金标准（Diagnosis-First Ground-Truth，DF-GT）中，从而最大化疾病诊断性能。然后，研究人员提出了从原始图像中分割DF-GT的Take 和 Give模型（T&G模型）。通过T&G模型，DiFF可以学习到具有校准不确定性的分割结果，从而便于疾病诊断。

为了验证DiFF的有效性，研究人员将其应用于3个不同的医学图像分割任务中：眼底彩照中视盘/视杯（OD/OC）的分割，超声图像中甲状腺结节分割，以及皮肤镜图像上的病灶分割。实验结果表明，DiFF能够有效地校准分割不确定性，并显著提升相应的疾病诊断结果，其性能优于以往的多标注者标签融合方法。

在未来的工作中，许言午团队将继续探索诊断优先分割特征与临床生物标志物之间的关系，以解释神经网络如何利用这些特征来做出诊断决策。团队还将探讨如何对这些特征进行可视化和分析。

相关论文信息：https://doi.org/10.1109/TMI.2024.3394045