TwinTrack：医学图像分割后置多评估校准
机器学习
2026-05-19 v2
摘要
胰腺导管腺癌（PDAC）在增强CT上的分割天然存在歧义：专家之间存在的评估 disagreement 反映的是真实的不确定性而非注释噪声。标准深度学习方法假设单一真实答案，产生的概率输出在此类歧义下可能不够校准且难以解释。我们提出了 TwinTrack 框架，通过后置校准 ensemble 分割概率以匹配经验平均人类响应（MHR）——即专家标注者将某个体素标记为肿瘤的比例。校准后的概率值因此直接可解释为标注肿瘤标签的预期标注者比例，显式地建模了评估 disagreement。该提出的后置校准程序简单且仅需小规模的多评估校准集。在 MICCAI 2025 CURVAS-PDACVI 多评估基准上评估，该方法在校准指标上 consistently 超过标准方法。
引用
@article{arxiv.2604.15950,
title = {TwinTrack: Post-hoc Multi-Rater Calibration for Medical Image Segmentation},
author = {Tristan Kirscher and Alexandra Ertl and Klaus Maier-Hein and Xavier Coubez and Philippe Meyer and Sylvain Faisan},
journal= {arXiv preprint arXiv:2604.15950},
year = {2026}
}
备注
Accepted for publication at MIDL 2026