原创力文档- 1、本文档共12页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
DiffOSeg:通过多专家协作扩散模型实现全医学图像
分割
()
HanZhang,XiangdeLuo,YongChen,andKangLi
WestChinaBiomedicalBigDataCenter,WestChinaHospital,SichuanUniversity
ShanghaiArtificialIntelligenceLaboratory,Shanghai,China
likang@
摘要注释变异性仍然是医学图像分割中的一个重要挑战，源自模糊的成
本像边界和多样化的临床专业知识。传统的深度学习方法生成单一确定性的
译分割预测往往无法捕捉这些标注者偏差。尽管最近的研究探讨了多评分员
中分割，但现有方法通常只关注单一方面—要么生成概率性“黄金标准”共
识，要么保留专家特定偏好—因此难以提供更全面的视角。在本研究中，
1我们提出了DiffOSeg，一个两阶段的基于扩散的框架，旨在同时实现共识
v
7驱动（结合所有专家的意见）和偏好驱动（反映专家个体评估）分割。第
8一阶段通过概率性共识策略建立群体共识，而第二阶段则通过自适应提示
0
3捕捉专家特定偏好。在两个公开数据集（LIDC-IDRI和NPC-170）上展
1示，我们的模型在所有评估指标中均优于现有的最先进方法。源代码可在
.
7/string-ellipses/DiffOSeg获取。
0
5
2Keywords:标注变异·扩散模型·医学图像分割
:
v
i
x1介绍
r
a
在医学图像分割中，模糊的目标边界或不规则形状经常导致专家标注的
差异[3,17,23]。本质上，这种变异性源于两个主要因素：固有的图像模糊性
和专家特定的偏好。例如，由于灰度梯度或成像伪影，肿瘤边界往往定义不
清，从而导致标注标准模糊。尽管主观性持续存在，多专家共识可以帮助界
定“相对合理”的边界。此外，专家们的标注风格表现出显著差异——放疗
肿瘤学家可能优先考虑更宽的边缘以覆盖肿瘤[23]，而外科医生则偏好精确
的边界以保护组织[5]。因此，同时满足捕捉共识和保留专业性的双重需求
至关重要。
传统的分割网络[19,21]通常生成单一的确定性掩码，这往往不足以满
足临床需求。最近的研究[2,11,17,25,29,31]探索了多评分员分割的方法，
2Zhangetal.
这些方法大致可以分为三类范式：元分割、多样化分割和个人化分割。元分
割[25]通过注释融合重构了一个伪金标准，尽管在许多医学背景下这样的
金标准的存在仍然存在争议[3,17]。多样化分割[2,11,29]学习了多专家共
识的分布，然后从中采样出多个可能的注释。个人化分割[22,
文档评论（0）