基于评分者特定贝叶斯神经网络的医学图像分割评分者间不确定性量化

自动化医学图像分割本质上涉及一定程度的不确定性。导致这种不确定性的一个关键因素是确定目标感兴趣区域边界时可能出现的模糊性，这主要源于图像外观的差异。除此之外，即使在领域专家之间，关于特定解剖结构的精确定义也可能出现不同意见。本工作专门解决称为评分者间不确定性的分割不确定性建模问题。其主要目标是探索和分析当医学影像领域的多位专家解读并标注相同图像时，分割结果可能出现的变异性。我们引入了一种新颖的基于贝叶斯神经网络的架构来估计医学图像分割中的评分者间不确定性。我们的方法有三个关键进展。首先，我们引入了一种专为不确定性估计定制的单编码器多解码器架构，使我们能够捕获每位相关专家的评分者特定表示。其次，我们为新架构提出贝叶斯建模，从而能够有效捕获评分者间分布，尤其是在标注有限的情况下。最后，我们通过将注意力模块集成到每个解码器中来增强评分者特定表示。该模块为每位评分者提供了聚焦且精细的分割结果。我们使用合成和真实世界数据集进行了广泛评估，以严格验证我们的技术创新。在公开可用的 \emph{QUBIQ} 数据集上，考虑到涵盖不同不确定性方面的两个评估指标，我们的方法在七项不同任务中的五项上超越了现有基线方法。我们的代码、模型和新数据集可通过我们的 GitHub 仓库获取：https://github.com/HaoWang420/bOEMD-net 。