关注模糊区域：一种用于稳定病灶分割的数据驱动交替学习范式

深度学习在医学图像分割领域取得了显著进展，但现有模型在精确分割病灶区域方面仍面临挑战。主要原因在于医学图像中的某些病灶区域具有边界不清晰、形状不规则以及组织密度差异小等特点，导致标签模糊。然而，现有模型在训练过程中对所有数据一视同仁，未考虑质量差异，导致噪声标签对模型训练产生负面影响并造成特征表示不稳定。本文提出了一种数据驱动的交替学习 (DALE) 范式，以优化模型的训练过程，实现稳定且高精度的分割。该范式聚焦于两个关键点：(1) 降低噪声标签的影响，(2) 校准不稳定的表示。为减轻噪声标签的负面影响，提出了一种基于损失一致性的协同优化方法，并在理论上证明了其有效性。具体而言，引入了标签置信度参数，以在模型训练期间动态调整不同置信度级别标签的影响，从而降低噪声标签的影响。为校准不稳定表示的学习偏差，提出了一种分布对齐方法。该方法恢复了不稳定表示的底层分布，从而增强了模糊区域表示的判别能力。在多种基准和模型骨干上的大量实验证明了 DALE 范式的优越性，实现了高达 7.16% 的平均性能提升。