面向含噪标签鲁棒医学图像分割的联合类-亲和损失校正

以有限标注代价收集的含噪标签阻碍了医学图像分割算法学习精确的语义关联。以往带噪标签学习的分割方法仅以像素级方式保留语义（如像素级标签校正），而忽视了成对方式。事实上，我们观察到捕获像素间亲和关系的成对方式可大幅降低标签噪声率。受此启发，我们提出一种通过结合像素级与成对方式来进行噪声缓减的新视角，其监督分别源自含噪类标签与含噪亲和标签。统一像素级与成对方式，我们提出一种鲁棒的联合类-亲和分割（JCAS）框架以应对医学图像分割中的标签噪声问题。考虑到成对方式中的亲和关系引入了上下文依赖，我们设计了差异化亲和推理（DAR）模块，通过推断类内与类间亲和关系来纠正像素级分割预测。为进一步增强抗噪性，设计了类-亲和损失校正（CALC）策略，借助建模得到的类标签与亲和标签中的噪声标签分布来纠正监督信号。同时，CALC 策略通过理论推导的一致性正则化使像素级与成对方式相互作用。在合成与真实世界含噪标签下的大量实验证实了所提 JCAS 框架的有效性，其与上限性能之间的差距最小。源代码见 \url{https://github.com/CityU-AIM-Group/JCAS}。