基于分层潜在标签建模的深度期望最大化用于多部位前列腺病灶分割
计算机视觉与模式识别
2026-03-17 v1 人工智能
摘要
标签变异性是前列腺病灶分割的主要挑战。在多中心数据集中，注释常反映特定中心的轮廓化协议，导致分割网络在局部风格上过拟合，难以在推理时泛化到未见中心。我们将每个观察到的注释视为底层潜在“干净”病灶掩模的噪声观察，提出一种分层期望最大化（HierEM）框架，交替进行：(1) 对潜在掩模进行基于小vox 的后验分布推断，(2) 使用该后验作为软目标训练 CNN，并在分层先验下估计 site-specific sensitivity 和 specificity。该分层先验将标签质量分解为全局均值加上 site 和 case 级别的偏差，通过惩罚仅由 site 偏差贡献的似然项来减少 site-specific 偏差。实验表明，所提出的分层 EM 框架在三组数据集上显著优于当前最先进方法实现跨 site 泛化。对于 pooled-dataset 评估，各 site 平均 DSC 范围为 29.50%至 39.69%；对于 leave-one-site-out 泛化，范围为 27.91%至 32.67%，显著优于对照方法（p<0.039）。该方法还产生可解释的 per-site 潜在标签质量估计（sensitivity alpha 范围为 31.5%至 47.3%， specificity beta 约为 0.99），支持跨 site 注释变异的事后分析。这些结果表明，显式建模 site-dependent 注释可提升跨 site 泛化能力。
引用
@article{arxiv.2603.14418,
title = {Deep EM with Hierarchical Latent Label Modelling for Multi-Site Prostate Lesion Segmentation},
author = {Wen Yan and Yipei Wang and Shiqi Huang and Natasha Thorley and Mark Emberton and Vasilis Stavrinides and Yipeng Hu and Dean Barratt},
journal= {arXiv preprint arXiv:2603.14418},
year = {2026}
}
备注
10 pages, 2 figures