带噪标签医学分割的像素级元学习
计算机视觉与模式识别
2026-05-28 v5 人工智能
摘要
医学图像分割是临床应用中的关键任务，但常因噪声标注和模糊解剖边界而受到限制，限制了其在实际场景中的应用。现有方法常直接采用针对实例分类设计的噪声标签学习技术，忽视了医学分割中像素级异质性——其在空间和解剖上存在不同的难度。结果是，全局假设或简单置信度度量无法解决这些局部变异，留下边界模糊问题未被解决。为此，我们提出了 MetaDCSeg，一个稳健框架，动态学习最优像素级权重以抑制噪声标签的影响，同时保留可靠标注。通过动态中心距离（DCD）机制显式建模边界不确定性，我们利用针对前景、背景和边界中心的加权特征距离，引导模型关注靠近模糊边界的难以分割像素。该策略实现了对结构边界的更精确处理，这些边界常被现有方法忽视，显著提升了分割性能。在四个具有不同噪声水平的基准数据集上进行大规模实验，证明 MetaDCSeg 超越了现有最先进方法。
引用
@article{arxiv.2511.18894,
title = {Not All Pixels Are Equal: Pixel-wise Meta-Learning for Medical Segmentation with Noisy Labels},
author = {Chenyu Mu and Guihai Chen and Xun Yang and Erkun Yang and Cheng Deng},
journal= {arXiv preprint arXiv:2511.18894},
year = {2026}
}