多评分医学图像分割的概率建模：多样性与个人化
计算机视觉与模式识别
2026-05-05 v2 人工智能
摘要
病灶分割本质上受成像不确定性影响，源于病灶边界不明确以及诊断中观察者间的变异性。为此，现有工作将多评分医学图像分割任务形式化，其中多个专家为每个图像提供独立注释。然而，现有模型通常受限于要么生成缺乏专家特定性的多样化分割，要么仅仅复制单个注释者的个人化输出。我们提出一种概率建模方法，用于多评分病灶分割（ProSeg），同时实现多样化和个人化。具体而言，我们引入两个潜在变量来建模专家注释偏好和病灶边界模糊性。随后通过变分推断获得这些变量的条件概率分布，允许通过对这些分布进行抽样来生成分割输出。在nasopharyngeal carcinoma 数据集（NPC）和 lung nodule 数据集（LIDC-IDRI）上进行的大量实验表明，我们的 ProSeg 实现了新的状态突破性能，提供了既多样又专家个人化的分割结果。
引用
@article{arxiv.2512.00748,
title = {Probabilistic Modeling of Multi-rater Medical Image Segmentation for Diversity and Personalization},
author = {Ke Liu and Shangde Gao and Yichao Fu and Shuaike Shen and Shangqi Gao and Chunhua Shen},
journal= {arXiv preprint arXiv:2512.00748},
year = {2026}
}