从多源数据集通过模型自消歧学习通用医学图像分割

适用于以不同设备和协议获取的图像的通用医学图像分割模型可助力模型部署与维护。然而，构建此类模型通常需要大规模、多样且完全标注的数据集，由于数据整理劳动密集，这难以获得。为应对该挑战，我们提出了一种经济高效的替代方案，利用仅具部分或稀疏分割标签的多源数据进行训练，大幅降低开发通用模型的成本。我们设计了模型自消歧、先验知识融入与不平衡缓解策略，以应对不一致标注多源数据带来的标签歧义及模态、数据集和类别不平衡等挑战。在由八个不同来源编译用于腹部结构分割的多模态数据集上的实验结果表明，与最先进的替代方法相比，我们的方法有效且性能更优。我们预期其节省成本的特性能优化现有标注数据的利用并减少新数据的标注工作，将在该领域产生显著影响。