从噪声标签到内在结构：面向噪声鲁棒医学图像分割的几何-结构双导向框架
计算机视觉与模式识别
2026-03-25 v2 人工智能
摘要
卷积神经网络在医学图像分割中的有效性依赖于大规模高质量注释资料，这些资料的获取成本高昂且耗时。即便是专家标注的数据集也不可避免地包含源于主观性和粗糙描绘的噪声，这些噪声会干扰特征学习并对模型性能造成不利影响。为此，本研究提出了几何-结构双导向网络(GSD-Net)，集成几何与结构线索，以提高对噪声注释的鲁棒性。它包含一个几何距离感知模块，用于动态调整像素级别的权重，从而加强可靠区域的监督，同时抑制噪声。结构导向标签细化模块进一步利用结构先验细化标签，知识转移模块丰富监督信息并提高对局部细节的敏感性。为全面评估其有效性，我们在六个公开数据集上进行了评估：其中四个包含三种模拟标签噪声，两个则包含多专家注释，反映真实世界的主观性和标注不一致性。实验结果表明，GSD-Net在噪声注释下实现了状态的最佳性能，在SR模拟噪声下在Kvasir上提高了1.58%，在Shenzhen上提高了22.76%，在BU-SUC上提高了8.87%，在BraTS2020上提高了1.77%。本研究的代码可在https://github.com/ortonwang/GSD-Net上获取。
引用
@article{arxiv.2509.02419,
title = {From Noisy Labels to Intrinsic Structure: A Geometric-Structural Dual-Guided Framework for Noise-Robust Medical Image Segmentation},
author = {Tao Wang and Zhenxuan Zhang and Yuanbo Zhou and Xinlin Zhang and Yuanbin Chen and Tao Tan and Guang Yang and Tong Tong},
journal= {arXiv preprint arXiv:2509.02419},
year = {2026}
}