医学抠图：从不确定性视角重新审视医学图像分割

通过二值掩码手动准确标注模糊且形状复杂的靶区十分困难。二值掩码表达不足的弱点在于模糊普遍存在的医学图像分割中尤为突出。在存在多重标注的情况下，通过二值掩码让临床医生达成共识更具挑战性。此外，这些不确定区域与病灶结构相关，可能包含有益于诊断的解剖信息。然而，当前关于不确定性的研究主要聚焦于模型训练与数据标签中的不确定性，尚无研究探讨病灶自身模糊性质的影响。受图像抠图启发，本文引入 alpha matte 作为软掩码来表示医学场景中的不确定区域，并相应提出一种新的不确定性量化方法，以填补病灶结构不确定性研究的空白。在本工作中，我们引入一种新架构，在多任务框架中生成二值掩码与 alpha matte，其性能优于所有对比的最先进抠图算法。所提不确定性图能够高亮模糊区域，且我们提出的新型多任务损失加权策略可进一步提升性能并展示其具体益处。为充分评估所提方法的有效性，我们首先以 alpha matte 标注了三个医学数据集，以解决医学场景中可用抠图数据集的匮乏，并从定性与定量两方面证明 alpha matte 是比二值掩码更高效的标注方法。