DeferredSeg：面向可信医学图像分割的多专家推迟框架
计算机视觉与模式识别
2026-04-15 v1
摘要
基于深度神经网络的分割模型在医学图像分割任务中表现出强大的泛化能力，但常常表现出过度自信或不自信，导致分割掩码（尤其是模糊区域）不可靠的置信度得分。这削弱了临床部署所需的可信度。受学习到推迟（L2D）范式的启发，我们引入 DeferredSeg，一种推迟感知的分割框架，即人机协作系统，用于确定在特定区域是否将预测推迟至人类专家。DeferredSeg 将基础分割器扩展为集成推迟预测器和额外路由通道，动态将每个像素路由至基础分割器或人类专家。为高效训练此路由机制，我们提出一种像素级代理协作损失，用于监督推迟决策。此外，为保持推迟区域内的空间一致性，我们提出一种空间一致性损失，以强化平滑的推迟掩码，从而提升可靠性。除单一专家推迟外，我们进一步扩展框架至多专家设置，通过引入多个不一致专家进行协作决策。为防止单个专家分支过度或不足地被利用，我们进一步设计一种负载平衡惩罚项，以在专家分支之间均匀分配工作负载。我们在三个具有挑战性的医学数据集上对 DeferredSeg 进行评估，以 MedSAM 和 CENet 作为基础分割器进行公平比较。实验结果表明，DeferredSeg 始终优于基线，证明其在可信密集医学分割方面的有效性。此外，提出的框架是模型无关的，可轻易应用于其他分割架构。
引用
@article{arxiv.2604.12411,
title = {DeferredSeg: A Multi-Expert Deferral Framework for Trustworthy Medical Image Segmentation},
author = {Qiuyu Tian and Haoliang Sun and Yunshan Wang and Yinghuan Shi and Yilong Yin},
journal= {arXiv preprint arXiv:2604.12411},
year = {2026}
}
备注
27 pages,6 figures