面向涂鸦监督三维多器官分割的可靠性感知反馈学习

《Pattern Recognition》:Reliability-aware feedback learning for scribble-supervised 3D multi-organ segmentation

【字体: 大 中 小 】 时间:2026年09月28日 来源:Pattern Recognition 9.1

编辑推荐:

   • 通过嵌入空间中的逐类马氏距离来评估模型特征可靠性。 • 引入可靠性引导的伪标签融合机制,结合带 Dropout 的共享解码器。 • 开发可靠性感知的反馈学习,以自适应聚焦于困难区域。 • 在仅使用稀疏笔迹标注的情况下,于 BTCV/WORD 数据集上取得 SOTA 分割精

  

• 通过嵌入空间中的逐类马氏距离来评估模型特征可靠性。
• 引入可靠性引导的伪标签融合机制,结合带 Dropout 的共享解码器。
• 开发可靠性感知的反馈学习,以自适应聚焦于困难区域。
• 在仅使用稀疏笔迹标注的情况下,于 BTCV/WORD 数据集上取得 SOTA 分割精度。
• 在极度稀疏的监督条件下,擅长分割小型/复杂器官。

**引言**

计算机断层扫描(CT)成像在现代医学中是一项关键的诊断工具,其中精确的器官分割对于诊断、治疗规划以及介入操作至关重要。然而,训练用于此任务的深度学习模型通常需要大规模数据集,而这些数据集需要耗时且昂贵的体素级标注。对于三维多器官 CT 数据,专家临床医生标注单幅扫描可能需要 3–4 小时。为减轻这一负担,使用少量切片上绘制的笔迹(scribbles)等稀疏标注策略已成为一种切实可行的替代方案。笔迹标注利用了临床医生在图像审核过程中的专业知识,每幅扫描仅需几分钟,同时能够捕捉到关键的解剖结构细节。本工作专注于开发基于稀疏笔迹标注训练的鲁棒分割模型,力求以极小的成本达到与密集监督相当的性能 [1]。

由于稀疏笔迹标注无法准确表征感兴趣区域,仅能提供有限的监督信息,因此笔迹监督学习主要关注如何利用无标签像素/体素中的信息。现有方法大致可分为四种范式:(1) 伪标签生成方法 [2]、[3]、[4] 及其滤波策略 [5],这类方法通常受错误累积与确认偏差困扰;(2) 损失函数优化技术 [6]、[7]、[8],其难以捕捉复杂的解剖关系;(3) 基于辅助任务的方法 [9]、[10],可能会引入任务特定的偏差;以及 (4) 一致性正则化方法 [3]、[11]、[12]、[13]、[14],依赖于各种扰动,常常无法区分有意义的变化与噪声。尽管这些方法显示出良好的前景,但存在三个根本性局限:首先,大多数方法缺乏对特征分布边界的显式建模,在监督不足的区域容易产生过度自信;其次,现有的不确定性估计技术 [15]、[16]、[17] 通常只关注预测层级的不确定性,而忽视了特征空间的判别性;第三,当前框架无法根据模型不断演化的可靠性边界动态调整其学习焦点,从而导致要么未能充分利用可靠的预测,要么过度依赖噪声伪标签。这些局限在复杂的多器官分割场景中表现尤为突出,相邻结构常常具有相似的强度特征或复杂的拓扑关系。

笔迹监督框架的根本挑战源自标注固有的稀疏性,这导致两个关键限制:(1) 无监督区域的特征表示模糊,模型难以区分相邻解剖结构之间的判别性模式;(2) 多器官分割任务中决策边界不稳定,尤其对于强度特征相似或拓扑关系复杂的器官。这些问题通常表现为类间混淆和泛化性能下降,错误主要集中在解剖上模糊或监督不足的区域。从特征空间的角度来看,可靠区域倾向于形成紧凑且类内一致的表示,而从监督不良区域提取的特征往往是分散的、噪声大的和不稳定的。这种行为反映了由有限监督引起的认知不确定性(epistemic uncertainty)和偶然不确定性(aleatoric uncertainty)。这一观察促使我们以可靠性为中心重新构建该问题。相比于根据分布归属对样本进行分类,更相关的问题是如何显式量化学习到的嵌入空间内的空间特征可靠性,以及如何利用这一信息来指导表示的优化。具体而言,两个关键问题浮出水面:(1) 如何在稀疏监督下,通过分布感知建模来评估特征表示的可靠性?(2) 如何将该可靠性信息整合到训练过程中,使学习聚焦于不可靠区域?

为此,我们提出了一种用于笔迹监督分割的可靠性感知反馈学习框架。受信息瓶颈(IB)原则 [18] 启发,我们旨在学习判别性嵌入,鼓励类内紧凑性同时增强类间可分性。在稀疏笔迹监督下,来自标注充分区域的特征倾向于紧凑且一致,而来自监督不足或模糊区域的特征往往是分散且不稳定的。我们显式地建模嵌入空间中的特征可靠性,以指导针对性的表示优化(图 1)。我们的框架由三个协同组件构成:(1) **可靠性感知表示建模**:使用多元高斯分布对类条件特征建模,并通过马氏距离量化样本与类条件之间的偏差。通过三元组损失减小类内方差并增强类间分离度,从而获得空间分辨的特征可靠性。(2) **可靠的伪监督**:解码器生成扰动后的预测,以选择高置信度的伪标签,强调可靠区域并抑制噪声区域,以缓解稀疏监督下的错误累积。(3) **可靠性引导的反馈学习**:将可靠性线索反馈到网络中,以在模糊或监督不足区域自适应地加强学习,实现表示优化。通过更新特征分布并在困难区域强化学习,该框架实现了一种渐进式的优化过程,能够在不增加额外监督或架构复杂度的情况下稳步提升表示质量。这使得模型能够捕捉细微的解剖结构和边界,在稀疏笔迹监督下实现鲁棒的分割。

在 BTCV [19] 和 WORD [20] 三维多器官 CT 数据集上的实验表明,该方法显著提高了小型和复杂器官的分割精度,并展现出优异的泛化性和鲁棒性。

**章节片段**

*笔迹监督分割*

笔迹监督分割因灵活高效而备受青睐。传统的 Random Walker [21] 和 GrowCut [22] 等方法虽然存在,但性能不如深度学习(DL)方法。现有的笔迹监督分割方法主要通过三种策略处理稀疏监督:(1) 伪标签传播,诸如 S2L [2] 和 DMPLS [1] 等方法通过游走算法或双网络共识从笔迹生成伪标签,尽管存在错误……

*方法*

本文以笔迹监督学习为背景,其中稀疏标注仅表示密集标注的一个极小子集。我们考虑数据集 D=(Xi,Yi)i=1N,包含 CT 扫描的三维体积 X∈R^(W×H×L) 及相应的稀疏标注 Y∈{0,1,…,K}^(W×H×L)。所提出的流程如图 2 所示。我们采用 V-Net [38] 骨干网络,并引入可靠性感知学习策略,将(i)可靠性感知表示建模、(ii)…… 结合。

*数据集*

BTCV:BTCV 多器官分割数据集源自 MICCAI Multi-Atlas Labeling Beyond Cranial Vault 研讨会挑战赛 [19]。它包含 30 个受试者的 3779 张腹部 CT 轴位切片,标注了 13 个器官类别以及一个背景类别。在预处理中,我们按照 [40] 的方法将所有扫描重采样至 [1.5×1.5×2.0]mm3 的体素间距,并将其归一化为零均值和单位方差。训练集与测试集分别划分为 24 例和 6 例,遵循……

**讨论**

本工作提出了一种用于笔迹监督三维多器官分割的可靠性感知学习框架,旨在解决极度稀疏监督所引起的表示模糊这一根本性挑战。所提出的框架不依赖于启发式不确定性度量或纯粹基于预测层级的置信度,而是显式建模嵌入空间中的特征可靠性,并利用其引导自适应的表示优化。

从更广阔的角度来看,本工作……(原文在此处被截断)

**结论**

本工作提出了一种可靠性感知学习框架,以应对笔迹监督三维多器官分割中监督不足的挑战。通过显式建模嵌入空间中的逐类特征分布,并利用马氏距离估计特征可靠性,所提出的框架使训练过程中能够自适应地关注监督不足与模糊区域。该设计提升了特征紧凑性与类间可分性……(原文在此处被截断)

**CRediT 作者贡献声明**

Xiaoxiang Han:撰写初稿、验证、软件、方法论、调查、形式分析、概念化。Yiman Liu:撰写初稿、验证、调查、数据管理、概念化。Jiang Shang:验证、软件、方法论、调查、形式分析。Yunhao Bai:可视化、验证、方法论、形式分析。Yan Wang:撰写—审阅与编辑、验证、监督、方法论、概念化。Qi Zhang:撰写—审阅与……(原文被截断)

**利益冲突声明**

作者声明,他们没有已知的与本论文所述工作相关的竞争性经济利益或个人关系,这些关系可能会影响或被视为影响本论文所述工作的内容。

**致谢**

本工作得到以下机构的支持:中国国家自然科学基金 [No. 62571309]、上海市自然科学基金 [No. 25ZR1401135]、中央高校基本科研业务费专项资金 [No. YG2025QNA07]、浦东新区科技发展基金 [No. PKJ2025Y04],以及上海高校计算机工程技术研究中心(上海大学)。

Xiaoxiang Han | Yiman Liu | Jiang Shang | Yunhao Bai | Yan Wang | Qi Zhang
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号