面向含噪标签医学图像分割的干净标签解耦

当前关注医学图像分割的方法受到错误标注的困扰，即所谓的噪声标签问题。大多数含噪标签的医学图像分割方法利用噪声转移矩阵、噪声鲁棒损失函数或伪标签方法，而目前尚无研究关注干净标签解耦。我们认为主要原因是严重的类别不平衡问题会导致所选“干净”标签不准确，从而影响模型对噪声的鲁棒性。在本工作中，我们提出一种简单而高效的类平衡采样策略来解决类别不平衡问题，使我们新提出的干净标签解耦框架能够成功从给定标签集中选出干净标签，并鼓励模型从正确标注中学习。然而，这种方法会过滤掉过多标注，其中可能也包含有用信息。因此，我们进一步将干净标签解耦框架扩展为一种新颖的噪声特征辅助干净标签解耦框架，该框架充分利用全部标注以学习更多语义。大量实验验证了我们所提方法的有效性，我们的方法取得了新的 SOTA 性能。我们的代码可在 https://github.com/xiaoyao3302/2BDenoise 获取。