该研究提出了一个新的框架，可以使用大量的便宜的不可靠注释和较少的专家级别的干净注释训练完全卷积分割网络，使用空间可适应重新加权方法在损失函数中平衡了干净和嘈杂的像素级注释，使用元学习方法将更多的重要性分配给损失梯度方向更接近干净数据的像素，实验表明，使用空间重新加权可以改善深度网络对噪声注释的鲁棒性。

Jun, 2019

本文提出了一种与多个标注者的混淆有关的置信模型学习方法，通过对分类器网络添加熵或基于信息的正则化器来鲁棒地估计给定仅含有噪声标签的预测，并在 MNIST、CIFAR-10 和 FMNIST 等数据集上进行了实验，实验结果表明该方法在各项指标上均优于或与其他现有方法表现相当。

Jan, 2023

医学图像分割 (MIS) 在医学图像分析中起着关键作用，目前主流的 MIS 方法基于深度神经网络 (DNNs)，该方法主要训练医生生成的注释掩膜数据集，然而由于不同医生生成的注释掩膜可能存在差异，因此本文利用多专家注释来提高模型对新医生的适应性，并在 MRI 脑分割任务上进行了试验，结果表明，在只使用新医生提供的几个注释进行轻量级微调后，模型在新医生上的适用性可以得到有效增强。

Feb, 2024

该论文研究利用新的数学和优化方法来解决基于深度学习的医学图像分割方法在图像获取协议和图像解剖变异性方面的限制，以减少需要手动标记成本高昂的问题。

May, 2023

医学图像分割中标签噪声对深度神经网络（DNN）的性能产生显著影响。本文提出了一种新颖的马尔可夫模型用于分割带有噪声标注的图像，并通过标签校正方法逐步恢复真实标签。实验证明，我们的方法在合成和真实世界的噪声标注数据上优于当前最先进的方法。

Jul, 2023

本文介绍一种创建数据清理的分割的方法，通过使用自动生成的训练数据和快速人工视觉检查来提高模型的准确性，并保持时间 / 精力和成本的低成本。此方法可实现高准确度模型的成本效益和快速方法，同时还能最大限度地减少获取高质量训练数据的成本和精力。

Apr, 2023

我们提出了一种使用两个不同子网络来探索和利用它们之间差异的方法，最终纠正错误的预测结果，通过有针对性的验证训练过程识别不一致预测的区域并进行微调，从而提高上下文信息的利用；此外，为了自适应地调整网络的表示能力并降低预测不确定性，我们采用了自监督对比学习范式，利用网络的置信度区分可靠和不可靠的预测，并训练模型有效地最小化不可靠的预测；我们的实验结果来自于临床 MRI 和 CT 扫描的器官分割，与最先进的方法相比，证明了我们方法的有效性。

Nov, 2023

本文研究了在存在噪声标注的情况下深度学习在分割任务中的学习动态，并发现网络在学习之初会优先适应清晰的像素级别标签，然后才会记忆错误的标注。针对这一现象，本文提出一种新的从噪声标注中进行分割的方法，利用两个关键元素：单独检测每个类别的记忆化阶段，以便自适应地纠正噪声注释，并增加一个正则化项以提高鲁棒性。该方法在医学成像分割任务中的性能优于标准方法，具有在 PASCAL VOC 2012 上实现最新的弱监督语义分割的噪声注释的鲁棒性。

Oct, 2021

本文旨在将最近关于评估不确定性的结果应用于基于深度学习的医学分割中的两个重要输出：产生空间不确定性映射，以便临床医生可以观察系统何时以及为何错误，以及量化图像级别的失败预测，并展示关于空间不确定性的推理是产生分割质量预测的有用中间表示。提出了一个两阶段的架构来生成这些不确定性测量，可以适应任何基于深度学习的医学分割管道。

Jul, 2018

研究了用于自动检测语义分割数据集中标注错误的算法，其中应用了 7 种不同的质量评分方法，最有效的方法是使用准确率和召回率的模型预测概率的软最小值来识别标注错误的图像。

Jul, 2023