泛化弃权机制以实现医学图像分割中的抗噪学习
计算机视觉与模式识别
2026-01-21 v1 人工智能
摘要
标签噪声是医学图像分割中的一个关键问题，通常源于手动标注的固有困难。在噪声数据上训练的模型容易过拟合，从而降低其泛化性能。尽管已提出多种方法和策略来缓解分割领域的噪声标签问题，但该领域在很大程度上仍未被充分探索。弃权机制已被证明能通过增强交叉熵的能力在分类任务中有效发挥作用，但其在分割中的潜力尚未得到验证。在本文中，我们通过引入一个通用且模块化的弃权框架来填补这一空白，该框架能够增强多种损失函数的噪声鲁棒性。我们的框架通过两个关键组件改进了先前的工作：一个用于引导弃权行为的知情正则化项，以及一个用于弃权惩罚的更灵活的基于幂律的自动调整算法。我们通过将该框架与三种不同的损失函数系统集成，创建了三种新颖的噪声鲁棒变体：GAC、SAC 和 ADS，从而展示了其多功能性。在 CaDIS 和 DSAD 医学数据集上的实验表明，我们的方法始终且显著地优于其非弃权基线，尤其是在高噪声水平下。这项工作证实，使模型能够选择性地忽略损坏样本是构建更可靠分割模型的一种强大且可泛化的策略。我们的代码已在 https://github.com/wemous/abstention-for-segmentation 公开。
引用
@article{arxiv.2601.14039,
title = {Generalizing Abstention for Noise-Robust Learning in Medical Image Segmentation},
author = {Wesam Moustafa and Hossam Elsafty and Helen Schneider and Lorenz Sparrenberg and Rafet Sifa},
journal= {arXiv preprint arXiv:2601.14039},
year = {2026}
}