CaliDiff：基于多标注者校准扩散概率模型的医学图像分割方法及其应用

　　本文提出CaliDiff扩散概率模型，通过多阶段校准策略（含ECA一致性对齐和CEKL委员会学习机制）有效整合多专家标注差异，在医学图像分割中实现最先进的标注校准性能，显著提升青光眼、前列腺疾病等诊疗的可靠性与客观性。

　　

Highlight

我们提出创新性多阶段校准框架CaliDiff，其核心突破在于：

• •
  通过参数共享的逆扩散过程初步标准化专家标注偏差
• •
  专家一致性对齐（ECA）模块通过正则化损失显著降低标注方差
• •
  委员会内生知识学习（CEKL）机制通过对抗软监督模拟潜在金标准分布

相关研究

本节综述多标注者标签策略的深度学习进展，并介绍扩散模型在医学影像中的应用现状。

CaliDiff框架概述

CaliDiff是专为医学图像分割设计的扩散概率模型，通过三阶段流程整合多专家知识：

1. 1.
   多头网络架构的共享参数逆扩散过程，初步估计专家标注的概率分布
2. 2.
   ECA阶段通过最小化同图像标注差异的正则化损失，增强高置信度区域一致性
3. 3.
   CEKL机制通过并行子网络生成交叉专家融合预测与隐式共识估计，形成对抗性软监督的自我优化循环

数据集

我们在视盘视杯分割任务（RIGA数据集）验证算法，并扩展评估至QUBIQ肾脏与前列腺数据集。RIGA包含750张眼底彩照，源自MESSIDOR、BinRushed和Magrabia三大数据库。

实验结果

在RIGA和QUBIQ数据集上的定量实验表明，CaliDiff在多种标注校准方法（包括先进判别模型与扩散生成模型）中均取得最先进性能，特别是在肾脏₁、前列腺₂等复杂解剖结构的分割任务中展现卓越泛化能力。

结论

CaliDiff通过系统化去噪过程建模多专家标签与图像的联合分布，有效校准缺乏金标准场景下的多标注者注释。ECA模块成功抑制主观偏差，CEKL机制通过双重伪标签融合推动模型逼近真实分布，为临床诊断提供更可靠的分割结果。