琶洲实验室许言午教授团队在医学图像分析顶刊IEEE TMI发表关于分割多标签有效融合研究成果

2024年4月29日
琶洲实验室
288

4月26日,琶洲实验室许言午教授团队在医学图像分析顶级期刊IEEE Transactions on Medical Imaging(2022年度影响因子10.6,中科院1区)发表论文Calibrate the Inter-observer Segmentation Uncertainty via Diagnosis-first Principle(《通过诊断优先原则校准标注者间分割不确定性》)。

论文主要研究如何利用诊断优先原则校准不同标注者间分割不确定性的问题。在医学图像分割领域,由于组织/病变可能存在模糊性,通常需要多位临床专家共同标注分割目标区域,以降低个人偏见对标注工作的影响,然而这也引入了标注者间的不确定性。不同标注者的标注区域会受到其经验和专业知识的影响,导致标注结果的差异。例如,如果我们将所有标注者给出的结果的平均值作为标准,那么经验不足的专家往往更保守,从而导致更大的标注区域,而一些专家可能提供的标注区域比其他人小得多。

不同标注者的标注结果及其平均值
R1、R2、R3等表示由标注者1、标注者2、标注者3等进行的分割标注

为了解决这一问题,通常采用多数投票法,但是这一方法忽略了标注者专业知识的差异。在本篇论文中,研究团队提出了一种名为“诊断优先的分割框架”——Diagnosis-First Segmentation Framework (下文中简称“DiFF”),旨在以疾病诊断为准则来校准医学图像分割中的标注者间不确定性。

DiFF首先学习将多个标注者的分割标签融合到一个单一的诊断优先金标准(Diagnosis-First Ground-Truth,DF-GT)中,从而最大化疾病诊断性能。然后,研究团队提出了从原始图像中分割DF-GT的Take 和 Give模型(T&G模型)。通过T&G模型,DiFF可以学习到具有校准不确定性的分割结果,从而便于疾病诊断。

以眼底彩照的视盘/视杯分割作为示例的DiFF方法工作流程

为了验证DiFF的有效性,研究团队将其应用于3个不同的医学图像分割任务中:眼底彩照中视盘/视杯(OD/OC)的分割,超声图像中甲状腺结节分割,以及皮肤镜图像上的病灶分割。实验结果表明,DiFF能够有效地校准分割不确定性,并显著提升相应的疾病诊断结果,其性能优于以往的多标注者标签融合方法。

不同多标注分割标签融合方法的结果可视化对比

在未来的工作中,研究团队将继续探索诊断优先分割特征与临床生物标志物之间的关系,以解释神经网络如何利用这些特征来做出诊断决策。此外,研究团队还将探讨如何对这些特征进行可视化和分析。

论文链接:https://ieeexplore.ieee.org/document/10508990