论文页面 - TwinTrack：医学图像分割的事后多标注者校准

来源：https://huggingface.co/papers/2604.15990

摘要

TwinTrack 框架通过将集成概率事后校准到经验平均人工响应，解决胰腺癌分割的模糊性，在多标注者基准上提升校准指标。

胰腺导管腺癌（PDAC）在增强 CT 上的分割天然模糊：专家间的标注差异（https://huggingface.co/papers?q=inter-rater%20disagreement）反映的是真实不确定性，而非标注噪声。传统深度学习方法假设存在唯一真值，输出的概率（https://huggingface.co/papers?q=probabilistic%20outputs）在这种模糊下往往校准不佳且难以解释。我们提出 TwinTrack 框架，通过事后校准（https://huggingface.co/papers?q=post-hoc%20calibration）集成分割（https://huggingface.co/papers?q=ensemble%20segmentation）概率，使其对齐经验平均人工响应（https://huggingface.co/papers?q=empirical%20mean%20human%20response）（MHR）——即标注某体素为肿瘤的标注者比例。校准后的概率可直接解释为“预期有多少标注者会标记该体素为肿瘤”，显式建模了标注者间差异（https://huggingface.co/papers?q=inter-rater%20disagreement）。所提出的事后校准（https://huggingface.co/papers?q=post-hoc%20calibration）过程简单，仅需少量多标注者校准集。在 MICCAI 2025 CURVAS-PDACVI 多标注者基准上，其一致地提升了校准指标（https://huggingface.co/papers?q=calibration%20metrics）。

查看 arXiv 页面（https://arxiv.org/abs/2604.15950）查看 PDF（https://arxiv.org/pdf/2604.15950）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2604.15950）

社区

引用该论文的模型 0

暂无模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2604.15950，即可在此页面显示链接。

引用该论文的数据集 0

暂无数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2604.15950，即可在此页面显示链接。

引用该论文的 Spaces 0

暂无 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2604.15950，即可在此页面显示链接。

包含该论文的收藏 0

暂无收藏包含此论文

将此论文添加到收藏（https://huggingface.co/new-collection），即可在此页面显示链接。