面向含噪标签鲁棒医学图像分割的自适应标签校正
计算机视觉与模式识别
2025-10-21 v3
摘要
深度学习在医学图像分析中取得了显著成功，但其对大量高质量标注数据的依赖限制了其适用性。虽然含噪标签数据更容易获得，但直接将其纳入训练会降低模型性能。为了应对这一挑战，我们提出了一种基于 Mean Teacher 的自适应标签校正 (ALC) 自集成框架，用于含噪标签下的鲁棒医学图像分割。该框架利用 Mean Teacher 架构确保在噪声扰动下学习的一致性。它包括一个自适应标签细化机制，该机制动态捕获并加权多个扰动版本之间的差异，以提高含噪标签的质量。此外，还引入了一种基于样本级不确定性的标签选择算法，用于优先选择高置信度样本进行网络更新，从而减轻噪声标注的影响。一致性学习被集成进来，以对齐学生网络和教师网络的预测，进一步增强模型的鲁棒性。在两个公开数据集上的大量实验证明了所提出框架的有效性，显示出分割性能的显著提升。通过充分利用 Mean Teacher 结构的优势，ALC 框架有效处理了含噪标签，适应了具有挑战性的场景，并取得了与最先进方法相比具有竞争力的结果。
引用
@article{arxiv.2503.12218,
title = {Adaptive Label Correction for Robust Medical Image Segmentation with Noisy Labels},
author = {Chengxuan Qian and Kai Han and Jianxia Ding and Chongwen Lyu and Zhenlong Yuan and Jun Chen and Zhe Liu},
journal= {arXiv preprint arXiv:2503.12218},
year = {2025}
}