基于视觉语言评判器与合成数据的大规模医学分割标签质量评估
计算机视觉与模式识别
2026-01-22 v1 图像与视频处理
摘要
大规模医学分割数据集常将手工标注与伪标签混合，质量参差不齐，可能影响训练与评估。低质量标签可能削弱性能并降低模型训练的鲁棒性。为此，我们提出 SegAE（Segmentation Assessment Engine），一种轻量级视觉语言模型（VLM），用于自动预测 142 种解剖结构的标签质量。该模型基于超过 400 万图像-标签对训练，实现与真实 Dice 相似系数的 0.902 的高相关系数，评估 3D 掩模仅需 0.06 秒。SegAE 显示出多项实际优势：（I）我们的分析揭示了公共数据集中普遍存在的低质量标注；（II）SegAE 在主动学习和半监督学习中提升数据效率和训练性能，将数据标注成本降低三分之一，标签质量检查时间缩短 70%。该工具为大规模医学分割数据集的质量控制提供了简单且高效的解决方案。该数据集、模型权重和代码已发布于 https://github.com/Schuture/SegAE。
引用
@article{arxiv.2601.14406,
title = {Large-Scale Label Quality Assessment for Medical Segmentation via a Vision-Language Judge and Synthetic Data},
author = {Yixiong Chen and Zongwei Zhou and Wenxuan Li and Alan Yuille},
journal= {arXiv preprint arXiv:2601.14406},
year = {2026}
}
备注
ISBI 2026 accepted