一种对噪声鲁棒的皮肤病变分割网络.pdfVIP

第42卷第1期黑龙江大学自然科学学报Vol.42No.1

2025年2月JOURNALOFNATURALSCIENCEOFHEILONGJIANGUNIVERSITYFebruary,2025

D0I:10.13482/j.issn1001-7011.2025.01.001投稿网址：

一种对噪声鲁棒的皮肤病变分割网络

程文豪，朱戈，唐锦萍

（黑龙江大学计算机与大数据学院，哈尔滨150080）

摘要：为了解决噪声标签问题，现有的医学图像分割方法常从数据集中分离出正确标记的图像

和噪声标签对应的图像，使用正确标签训练网络，采用噪声标签给网络提供额外的信息。此方法，

获取绝对正确的标签是十分困难的。因此,将数据集中的所有标签都视作带噪声的标签,利用框架

中均值教师（MeanTeacher，MT)网络比学生网络更稳定的特点，引导学生网络抵消标签中固有噪

声对预测结果的影响,以此实现对噪声的鲁棒。同时,为了进一步提升分割性能,提出了一种对噪

声鲁棒的皮肤病变分割网络（Noise-robustskinlesionsegmentationnetwork，NSLS-Net），它主要由多

尺度分组聚合模块（MultiscalegroupaggregationModule，MSGAM）和对噪声鲁棒的边缘损失模块

（Boundarylossmodule，BLM）两部分组成。多尺度分组聚合模块采用分组聚合的方式融合了不同

尺度下的特征图，以此准确分割具有多样性的皮肤病。边缘损失模块采用加权的方式结合平均绝

对误差（Meanabsoluteerror，MAE）和联合差异（Differenceoverunion，DoU）损失，使网络精确分割

出病变的边缘区域。在ISIC2016、PH2、ISIC2017和ISIC2018四个皮肤病变数据集上的实验结果

表明，所提出的NSLS-Net优于大部分先进的方法，特别是在PH2数据集上，其殷子系数（Dice

coefficent，Dice）和交并比（Intersectionoverunion，I0U）指标分别达到了92.80%和87.20%。

关键词：医学图像分割；皮肤病变；噪声标签；深度学习

中图分类号：TP391.4文献标志码：A文章编号：1001-7011(2025)01-0116-11

Anoise-robustskinlesionsegmentationnetwork

CHENGWenhao，ZHUGe，TANGJinping

(SchoolofComputerandBigData,HeilongjiangUniversity,Harbin150080,China)

Abstract:Toaddresstheissueofnoisylabels,existingmedicalimagesegmentationmethodstypically

firstseparatecorrectlylabeledimagesfromthosewithnoisylabelsinthedatasets.Thenetworkisthen

trainedwiththecorrectlabels,whilethenoisylabelsprovideadditionalinformation.However,Itis

difficulttoobtainabsolutelycorrectlabels.Therefore,thispapertreatsalllabelsinthedatasetsasnoisy

labelsandleveragesthestabilityoftheteachernetwork