HyperSORT：基于超网络的自组织稳健训练
计算机视觉与模式识别
2025-06-27 v1
摘要
医学影像数据集常常包含来自错误标签、标注风格不一致等多种偏差。此类偏差可能对深度分割网络的性能产生负面影响。然而，识别和刻画此类偏差是一项异常繁琐且具挑战性的任务。本文提出了HyperSORT框架，该框架利用超网络从代表图像和标注变异性的潜在向量预测UNet的参数。超网络参数以及每个训练样本对应的潜在向量集合将联合学习。因此，与其优化单个神经网络以适应数据集，不如学习UNet参数的复杂分布，其中低密度区域可捕捉噪声特定模式，而较大的模态则稳健地对器官进行分割。我们在两个3D腹部CT公开数据集上验证了该方法：第一个是AMOS数据集的合成扰动版本，以及TotalSegmentator——一个包含大量真实未知偏差和错误的数据集。我们的实验表明，HyperSORT创建了一个数据集的结构化映射，允许识别相关的系统性偏差和错误样本。潜在空间的聚类结果将产生按照所学习的系统性偏差进行分割任务的UNet参数。我们的代码和对TotalSegmentator数据集的分析已公开：https://github.com/ImFusionGmbH/HyperSORT
引用
@article{arxiv.2506.21430,
title = {HyperSORT: Self-Organising Robust Training with hyper-networks},
author = {Samuel Joutard and Marijn Stollenga and Marc Balle Sanchez and Mohammad Farid Azampour and Raphael Prevost},
journal= {arXiv preprint arXiv:2506.21430},
year = {2025}
}
备注
Accepted at MICCAI 2025