面向模糊医学图像分割的多评分者提示方法

当医学图像由多位专家（评分者）独立标注时，通常会产生多评分者标注。在本文中，我们解决了医学图像分割中多评分者标注带来的两个挑战（称为模糊医学图像分割）：（1）当一组评分者产生一组多样但合理的标注时，如何训练深度学习模型；（2）当计算资源不足以在另一个数据集领域上重新训练整个模型时，如何高效地微调模型。我们提出了一种基于多评分者提示的方法来同时应对这两个挑战。具体来说，我们引入了一系列可插入U-Net模型进行不确定性估计的评分者感知提示，以处理多标注情况。在基于提示的微调过程中，与训练整个模型相比，仅需更新0.3%的可学习参数。此外，为了整合专家共识和分歧，我们探索了不同的多评分者融合策略，并设计了一种混合训练策略以实现全面的洞察学习。大量实验验证了我们的新方法在两个公共数据集上进行模糊医学图像分割的有效性，同时减轻了模型重新训练的沉重负担。