分割多標簽有效融合研究獲重要進展

4月26日，人工智能與數字經濟廣東省實驗室（廣州）（以下簡稱琶洲實驗室）教授許言午團隊在分割多標簽有效融合研究方面取得重要進展。相關成果以《通過診斷優先原則校準標注者間分割不確定性》為題發表于《IEEE醫學影像匯刊》（IEEE Transactions on Medical Imaging）。

該項工作主要研究如何利用診斷優先原則校準不同標注者間分割不確定性的問題。在醫學圖像分割領域，由于組織/病變可能存在模糊性，通常需要多位臨床專家共同標注分割目標區域，以降低個人偏見對標注工作的影響，然而這也引入了標注者間的不確定性。

不同標注者的標注區域會受到其經驗和專業知識的影響，導致標注結果的差異。例如，如果將所有標注者給出的結果的平均值作為標準，那么經驗不足的專家往往更保守，從而導致更大的標注區域，而一些專家可能提供的標注區域比其他人小得多。

為了解決這一問題，通常采用多數投票法，但是這一方法忽略了標注者專業知識的差異。在最研究中，許言午團隊提出了一種名為“診斷優先的分割框架”——Diagnosis-First Segmentation Framework （以下簡稱DiFF)，旨在以疾病診斷為準則來校準醫學圖像分割中的標注者間不確定性。

據介紹，DiFF首先學習將多個標注者的分割標簽融合到一個單一的診斷優先金標準（Diagnosis-First Ground-Truth，DF-GT）中，從而最大化疾病診斷性能。然后，研究人員提出了從原始圖像中分割DF-GT的Take 和 Give模型（T&G模型）。通過T&G模型，DiFF可以學習到具有校準不確定性的分割結果，從而便于疾病診斷。

為了驗證DiFF的有效性，研究人員將其應用于3個不同的醫學圖像分割任務中：眼底彩照中視盤/視杯（OD/OC）的分割，超聲圖像中甲狀腺結節分割，以及皮膚鏡圖像上的病灶分割。實驗結果表明，DiFF能夠有效地校準分割不確定性，并顯著提升相應的疾病診斷結果，其性能優于以往的多標注者標簽融合方法。

在未來的工作中，許言午團隊將繼續探索診斷優先分割特征與臨床生物標志物之間的關系，以解釋神經網絡如何利用這些特征來做出診斷決策。團隊還將探討如何對這些特征進行可視化和分析。

相關論文信息：https://doi.org/10.1109/TMI.2024.3394045