置信等高线：面向医学语义分割的不确定性感知标注

医学图像分割建模是一项高风险任务，其中对不确定性的理解对于解决视觉模糊性至关重要。先前的工作开发了利用概率或生成机制从标注者绘制单一边界的标签中推断不确定性的分割模型。然而，由于这些标注无法表示单个标注者的不确定性，在其上训练的模型所生成的不确定性图难以解释。我们提出了一种新颖的分割表示——置信等高线（Confidence Contours），其使用高置信与低置信“等高线”直接捕捉不确定性，并开发了一种用于收集等高线的新型标注系统。我们在肺图像数据集联盟（LIDC）和一个合成数据集上进行了评估。一项有30名参与者参与的标注研究表明，置信等高线具有很高的表征能力，且标注者付出的额外努力并不显著。我们还发现，通用分割模型学习置信等高线可达到与标准单一标注相同的性能水平。最后，通过对5名医学专家的访谈，我们发现由于结构不确定性的表示，置信等高线图比贝叶斯图更具可解释性。