专家自适应的医学图像分割

医学图像分割（MIS）在医学图像分析中扮演着关键角色，人们为此投入了大量精力以实现该过程的自动化。目前，主流的MIS方法基于深度神经网络（DNN），这些网络通常使用由特定医学专家标注的数据集进行训练。在医学领域，由于医学图像的复杂性以及专家专业知识和分割后任务的差异，不同专家生成的标注可能存在本质区别。因此，基于某些专家标注数据训练的DNN模型可能难以适应新的专家。在本工作中，我们评估了一种定制的专家自适应方法，该方法以多专家标注、基于多任务DNN的模型训练和轻量级模型微调为特征，旨在研究在训练图像数量和流动性受限的情况下，模型对新专家的适应性。在训练数据有限的脑部MRI分割任务上进行的实验证明了该方法的有效性及其关键参数的影响。