摘要
近年来，深度学习技术飞速发展，在各类现实任务中得以广泛应用。监督学习任务中，深度网络模型通常以领域专家的手工标注为训练目标进行迭代优化，从而获得接近专家水平的预测能力。因此，在监督学习范式下，深度学习方法的可用性依赖于手工标注的唯一性与真实性。然而，在医学领域，医生经验和专业知识水平的差异导致专家间的分歧时常发生，即产生了观察者间变异性，“一对一”的监督范式被打破，使得深度网络模型难以学习正确的模式。此外，该现象还存在于近年来广受关注的医学众包，即医学图像由多名业余爱好者或职业标注师进行手工标注，以合作的方式产生医学图像标注集，为深度学习提供大数据支持。特别是在像素级医学图像分割任务中，受精细的标注要求所影响，观察者间变异性具有更加显著的表达。在面对上述具有多专家标注的分割学习问题时，经典的深度学习算法难以从单实例对应的多个标注中直接学习，无法应对具有多名医生进行分割标注或众包分割学习的现实场景，且现有标签融合方法以及多专家标注学习模型也有其不足之处与提升空间，因此多专家标注医学图像分割方法具有重要的研究意义。 本文在此背景下进行了多专家标注医学图像分割方法与应用的研究工作，基于端到端的卷积神经网络提出鲁棒的多专家标注医学图像分割模型。主要贡献有以下几个方面： （1）本文基于炫彩眼底图像数据设计众包分割流程，并以此构建了一个视杯和视盘众包分割数据集，即多名业余标注者经过眼科医生培训后对炫彩图像集进行独立标注，最终产生单实例对应多标注的众包数据集。该工作利用非医学专家的群体智慧为深度学习训练过程提供数据支持，促进医学图像分割数据集构建降本增效。 （2）本文基于深度学习算法与迹正则化理论，提出了一种多专家标注分割深度网络模型，该模型利用受分段损失函数约束的正则化网络建模标注者偏见与可靠性，且正则化网络与分割主网络联合优化，实现模型在训练过程中从多个标注中自动学习有用信息。该模型在本文所提出的炫彩眼底图像视杯和视盘众包分割数据集中表现优异，与其他方法相比，所提出的模型更具媲美专家模型性能的潜力。 （3）本文基于软标签学习策略和空间平滑方法，与弱监督学习策略相结合，提出了一种由局部一致性正则化约束的软标签学习方法，该方法将多标注所体现的不确定性量化为类间方差，并作为先验信息在训练时指导分割的局部差异性学习。与传统标签融合算法和其他深度学习方法相比，所提出的方法在具有多专家标注的眼底图像视杯视盘分割、前列腺医学图像分割以及肾脏医学图像分割等真实世界的公开数据集中表现优异。 综上所述，本文在医生间差异性标注问题和众包学习的背景下，基于深度学习提出两种多专家标注医学图像分割方法，最终分别在RIGA、CSD、QUBIQ-Kidney以及QUBIQ-Prostate数据集中达到了93.75%/93.92%、95.08%/94.51%、70.39%/70.25%和87.07%/87.67%的分割准确率，实现在多数评价指标下对常用和最优方法的超越，为多专家标注医学图像分割问题提供具有性能优势的新解决方案。
NETL