从皮肤病变分割中的标注者间变异性中能学到什么？

由于边界模糊、标注者偏好、专业知识和工具等因素，医学图像分割表现出标注者内和标注者间变异性。具有模糊边界的病变，例如毛刺状或浸润性结节，或符合 ABCD 规则的不规则边缘，特别容易产生分歧，且通常与恶性相关。在本研究中，我们整理了 IMA++，这是最大的多标注者皮肤病变分割数据集，并在此基础上对由标注者、恶性程度、工具和技能因素引起的变异性进行了深入研究。我们发现，使用 Dice 测量的标注者间一致性（IAA）与皮肤病变的恶性程度之间存在统计学显著的关联（p<0.001）。我们进一步表明，可以直接从皮肤镜图像中准确预测 IAA，平均绝对误差达到 0.108。最后，我们利用这种关联，在多任务学习目标中将 IAA 作为一种“软”临床特征，在多种模型架构以及 IMA++ 和四个公开的皮肤镜数据集上，使平均均衡准确率提升了 4.2%。代码可在 https://github.com/sfu-mial/skin-IAV 获取。