针对医学图像分割中多评分者注释（即模棱两可的医学图像分割）中的两个挑战，本文提出了一种基于多评分者提示的方法，通过引入一系列评分者感知的提示来处理多注释情况，并采用混合训练策略来整合专家共识和不一致。通过实验验证了我们的新方法在两个公共数据集上对模棱两可的医学图像分割的有效性，并减轻了模型重新训练的沉重负担。

Apr, 2024

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

通过利用现有数据的局部或稀疏标注分割标签，我们开发了一种成本效益方法来解决与来自不同来源的数据的标签歧义、模态、数据集和分割标签的不平衡相关的挑战，实验结果表明，我们的方法在腹部器官分割的多模态数据集上表现出卓越的性能，凸显出优化现有标注数据使用和减少新数据标注工作以进一步增强模型能力的潜力。

Nov, 2023

该研究旨在探索和分析医学成像中多位专家对同一图像进行解释和注释的情况下分割结果的可变性，引入了一种新颖的基于贝叶斯神经网络的架构来评估医学图像分割的标记者之间的不确定性，并使用一种包含关注模块的一编码器多解码器架构，该方法在七个不同的任务中超过了现有的基准方法，并提供了代码、模型和新数据集。

Jun, 2023

本文提出了一种使用两个耦合的 CNN 从纯噪声观察中联合学习单个标注者的可靠性和真实分割标签分布的方法，该方法在三个公共医学影像分割数据集上表现良好，尤其是在注释数量较少且出现较大不一致性的情况下。

Jul, 2020

本文提出了一种利用 Bayes 卷积网络处理不同标注者之间矛盾标注情况的方法， 以提高深度学习模型在多标注医学图像分割上的性能和泛化能力。

Dec, 2020

本文利用多个标注者的变异性作为 “地面真相” 不确定性的来源，将其与概率 U-Net 相结合，并在 LIDC-IDRI 的肺结节 CT 数据集和 MICCAI2012 前列腺 MRI 数据集上进行测试，发现能够以提高预测不确定性的估计，同时提高样本准确度和样本多样性。在实际应用中，该方法可以告诉医生有关分割结果的置信度。

Jul, 2019

本文提出了一种半弱监督分割算法，基于新的深度监督学习方法和学生 - 教师模型，结合各种监督信号以实现易于集成，有效地减少了昂贵标注的要求。经过实验验证，该算法在视网膜液体分割上取得了成功。

Apr, 2021

本文提出了一种新的基于不确定性引导的多源标注网络（UMA-Net）用于从多个标注中直接学习医学图像分割，UMA-Net 由 UNet、一个注释不确定性估计模块（AUEM）和一个质量评估模块（QAM）组成，实验结果证明 UMA-Net 优于现有方法。

Apr, 2023

通过多维概率分布模型，将医学影像标记者的标注行为与影像的特征图结合起来，提出了一种名为 Pionono 的新模型，用于概率分割预测。模型通过变分推断进行优化，具备端到端训练的能力。实验证明 Pionono 在真实癌症分割数据集上具有高准确性和高效性，是一种强大的医学影像分析工具。

Jul, 2023