从分歧中学习:面向鲁棒医学图像分割的群组决策模拟框架
计算机视觉与模式识别
2025-10-14 v1 人工智能
摘要
由于标注者专业水平的差异以及医学图像固有的模糊性,医学图像分割标注存在显著的标注者间变异性(IRV)。简单地平均专家标签的标准方法存在缺陷,因为其丢弃了分歧中所蕴含的宝贵临床不确定性。我们提出了一种全新方法——群组决策模拟框架,通过模拟临床专家组的协作决策过程来实现分割。在该框架下,专家签名生成器(Expert Signature Generator, ESG)学习在独特的潜空间中表示各标注者的风格;模拟会诊模块(Simulated Consultation Module, SCM)则通过在该空间中采样来智能地生成最终分割结果。该方法在具有挑战性的 CBCT 和 MRI 数据集上取得了当前最优性能(Dice 分数分别为 92.11% 和 90.72%)。通过将专家分歧视为有用信号而非噪声,我们的工作为构建更鲁棒、更值得信赖的医疗 AI 系统提供了一条清晰路径。
引用
@article{arxiv.2510.10462,
title = {Learning from Disagreement: A Group Decision Simulation Framework for Robust Medical Image Segmentation},
author = {Chen Zhong and Yuxuan Yang and Xinyue Zhang and Ruohan Ma and Yong Guo and Gang Li and Jupeng Li},
journal= {arXiv preprint arXiv:2510.10462},
year = {2025}
}