62、医学图像分割：多方法创新与性能提升

医学图像分割：多方法创新与性能提升

1. 多标注者预测方法概述

在医学图像分割领域，对于多标注者预测问题，存在推理方法在相同输入下不同运行结果有显著差异的情况。为利用这一现象，可多次运行推理算法，然后对结果求平均，以此稳定分割结果并提升性能。在所有实验中，使用了二十五个生成实例。

1.1 架构设计

架构方面，U - Net的解码器D是传统的，其编码器分解为三个网络：E、F和G。其中G对输入图像进行编码，F对当前步骤$x_t$的分割图进行编码。这两个处理后的输入具有相同的空间维度和通道数。基于残差连接的成功经验，将信号$F(x_t, z_t, z_c) + G(I)$求和，然后传递给U - Net编码器E的其余部分。

• 输入图像编码器G ：由残差密集块（RRDBs）构建，结合了多级残差连接且无批量归一化层。它有一个输入二维卷积层、一个带有残差连接的RRDB，接着是另一个二维卷积层、leaky RELU激活函数和一个最终的二维卷积输出层。
• 网络F ：是一个单通道输入、L通道输出的二维卷积层。
• 编码器 - 解码器部分 ：$\epsilon_{\theta}$的编码器 - 解码器部分（即D和E）基于U - Net。每一层由残差块组成，在分辨率为16×16和8×8时，每个残差块后接一个注意力层。瓶颈部分包含两个残差块，中间有一个注意力层。每个注意力层包含多个注意力头。
• 残差块 ：由两个卷积块组成，每个卷积块包含组归一化、SiLU激活函