用于可靠表征标注者间不确定性的标签融合与训练方法

基于摘要分析。本文研究医学图像分割中如何利用多位标注者的标签，使模型在保持分割性能的同时，可靠反映标注者间分歧。其主要贡献是比较标签融合策略与训练框架对输出校准及分歧保留的影响，而非提出 EEG/BCI 方法。 研究比较三种标签融合方式：STAPLE、标注者分割结果的平均，以及训练时随机抽取某位标注者的分割结果。每种方式分别结合常规训练与 SoftSeg。SoftSeg 将分割视为回归任务，以减少标签信息损失；摘要所述常规模型使用 Dice loss、二值输入及 sigmoid/softmax 最终激活，具体输入含义与实现细节仍需正文核对。 作者报告，在 spinal cord gray matter challenge 和 multiple sclerosis brain lesion segmentation 两个公开数据集、10 次数据划分的实验中，SoftSeg 相比对应常规模型具有更好的校准与标注者间变异保留能力，分割性能持平或更优。作者报告，常规模型倾向于过度自信并低估标注分歧，而标签平均结合 SoftSeg 则可能信心不足、过估分歧。两个数据集上的最佳标签融合方法不同，提示其选择可能依赖任务。作者还报告，SoftSeg 计算成本较低，不确定性表现与需要多个模型和多次前向传播的 ensembles 相近；摘要未提供量化差异、评价指标、划分细节及统计信息，这些均尚未验证。 平台推测（待验证）：若 EEG 事件标注确有多位专家分歧，可检验保留软标签并采用回归式预测是否改善校准。可复用的是多标注者标签表示和融合比较思路，需将图像分割输入、输出与损失适配到 EEG 事件任务；低信噪比、跨被试差异及少量标注可能使模型混淆标注分歧与信号不确定性。小实验可在同一多专家标注 EEG 数据与固定被试隔离划分下，对照硬标签训练和软标签回归，同时评估事件检测、校准及分歧保留。已有 EEG 相关工作尚未检索确认。