针对带噪标签的医学图像分割的深度自净框架

医学图像分割是医学影像领域的关键技术，辅助疾病诊断和手术规划。大多数 established segmentation methods 依赖于监督式深度学习，其中 clean and precise labels 对 supervision and 模型性能影响显著。然而，手动标注的标签常包含噪声，如缺失标签和不准确的边界描绘，这些噪声会阻碍 networks 正确 modeling target characteristics。本文提出了 deep self-cleansing segmentation framework, 能够在 training 阶段 preserve clean labels while cleansing noisy ones。为 achieve this, 我们设计了基于高斯混合模型的 label filtering module, 用于 distinguish noisy labels from clean labels。此外，我们 develop a label cleansing module to generate pseudo low-noise labels for identified noisy samples。所保留的 clean labels 和 pseudo-labels 然后共同用于 network supervision。在临床肝脏肿瘤数据集和 public 心脏诊断数据集上进行的验证表明，我们的方法能够有效抑制 noisy labels 的干扰，实现突出的 segmentation performance。