PULASki: Learning inter-rater variability using statistical distances to improve probabilistic segmentation

在医学影像领域，许多基于监督学习的分割方法面临许多挑战，如来自多个专家的注释变异性高、标记数据匮乏和类别不平衡数据集等问题。这些问题可能导致分割缺乏临床分析所需的精度，并且在没有关联的不确定性量化的情况下可能会误导性地过于自信。我们提出了PULASki方法用于生物医学图像分割，即使在小数据集中也能准确捕捉专家注释的变异性。我们的方法利用改进的损失函数，基于条件变分自编码器结构（概率UNet）中的统计距离，改善了条件解码器的学习，特别是在类别不平衡问题中，相比标准的交叉熵。我们针对两个结构不同的分割任务（颅内血管和多发性硬化症（MS）病变）分析了我们的方法，并将结果与四个已建立的基线进行了定量和定性比较。实证结果表明，PULASKi方法在5\%的显著性水平上优于所有基线。生成的分割结果比2D情况下更符合解剖学，特别是对于血管任务。我们的方法还可以应用于广泛的多标签分割任务，并且对于下游任务，如血液动力学建模（计算流体动力学和数据同化）、临床决策和治疗计划非常有用。

论文旨在解决医学图像分割中的多个挑战，如多个专家标注的高度变异性、标注数据不足和类别不平衡等问题，以及缺乏与不确定性量化相关的精度问题。

论文提出了一种基于统计距离的改进损失函数，结合条件变分自编码器结构（概率UNet）进行医学图像分割，可以更准确地捕捉专家标注的变异性，特别是在类别不平衡问题中，相比标准的交叉熵方法，可以更好地学习条件解码器。

论文在两个不同结构的分割任务（颅内血管和多发性硬化症（MS）病变）上进行了实验，与四个基准方法进行了比较，并在定量指标和定性输出方面表现出优越性。该方法还可以应用于广泛的多标签分割任务，并且对于下游任务（如血流动力学建模（计算流体力学和数据同化）、临床决策和治疗规划）非常有用。

在医学图像分割领域，最近的相关研究包括使用深度学习方法进行分割，如U-Net、SegNet、FCN等。