2026.7.16
本文提出GSD-Net，通过几何距离加权、结构引导标签修正和跨样本知识迁移提升医学图像分割在噪声标注下的鲁棒性。
Title题目
01
从噪声标签到内在结构：一种几何—结构双重引导的抗噪医学图像分割框架
From noisy labels to intrinsic structure: A geometric–structural dual-guided framework for noise-robust medical image segmentation
文献速递介绍
02
本文关注医学图像分割中像素级标签噪声带来的鲁棒性问题。U-Net及其变体在医学分割中表现突出，但其训练高度依赖精确标注；现实中CT、MRI、超声、内镜和X线等图像常存在运动伪影、低对比度、散斑噪声、边界模糊等问题，使医生难以给出完全一致的轮廓。论文指出医学分割标签噪声不同于分类标签噪声，它往往集中在解剖边界和复杂结构区域，具有明显空间局部性和结构依赖性。现有噪声鲁棒损失、小损失样本选择和标签修正方法虽然有效，但容易误删高损失但正确的边界像素，或在缺乏结构约束时累积错误伪标签。因此作者提出GSD-Net，希望从可靠监督、几何先验、结构一致性和跨样本多样性四个方面协同缓解噪声标注问题。
相关工作
相关工作部分将噪声标签学习方法归纳为三类。第一类是噪声鲁棒损失，例如GCE、RCE、Dynamics-Aware Loss和T-Loss，这些方法通过改变损失形式降低错误标签影响，但主要依赖损失统计，对分割中空间相关的边界噪声建模不足。第二类是可靠样本选择，例如Co-Teaching、JoCoR和RMD，它们利用深度网络先学习干净样本的早期学习现象，选择小损失区域训练，但可能把真实但困难的边界像素当作噪声丢弃。第三类是标签修正或伪标签生成，例如ADELE、ProMix和像素级修正方法，这类方法能利用噪声区域中的信息，却容易受早期模型偏差影响而发生错误传播。作者认为，医学分割需要显式处理空间结构化噪声，单纯从分类任务迁移来的噪声学习策略不足以保证解剖形态连续性和边界一致性。
Aastract摘要
03
医学图像分割通常依赖高质量像素级标注，但临床标注成本高且容易受到粗略勾画、边界模糊以及专家主观差异的影响，从而产生空间结构化的标签噪声。本文提出Geometric–Structural Dual-Guided Network，即GSD-Net，将小损失可靠区域选择、几何距离感知加权、超像素结构引导标签细化和知识迁移整合到统一训练框架中。该方法利用远离边界区域更可靠的几何先验抑制噪声，同时用结构一致性约束修正被小损失策略遗漏的区域，并通过跨样本局部区域交换增强模型对细节和形态变化的学习。作者在六个公开数据集上验证方法，包括四个模拟噪声数据集和两个多专家真实标注差异数据集，结果显示GSD-Net在多种噪声类型、成像模态和网络骨干上均优于现有方法。
Method方法
04
方法部分提出GSD-Net的整体框架。模型使用两个独立网络分支进行联合训练，先通过JoCoR式小损失准则在像素级筛选相对可靠的D_clean区域，再引入Geometric Distance-Aware模块为监督损失生成空间权重。GDA模块从噪声标签中提取边界，计算每个像素到最近边界的欧氏距离，并通过裁剪与随训练衰减的策略形成权重图，使远离边界、通常更可靠的区域获得更高权重，同时避免过度强调大面积背景。随后，Structure-Guided Label Refinement模块将两个网络的softmax预测按随机系数融合，并使用SLIC超像素作为结构先验，在区域级约束下为非可靠区域生成伪标签；最终标签由可靠区域保留原噪声标注、非可靠区域采用结构引导伪标签组成。Knowledge Transfer模块进一步从随机配对图像中抽取前景或背景局部区域并粘贴到另一幅图像中，同时同步融合伪标签和GDA权重图，从而制造结构扰动样本，增强模型对局部形态、边界细节和跨样本变化的鲁棒学习。总损失由GDA损失、知识迁移监督损失和跨网络一致性正则组成，实现端到端训练。
实验与结果
实验使用六个公开数据集，覆盖内镜Kvasir息肉分割、Shenzhen胸片肺区分割、BU_SUC乳腺超声肿瘤分割、BraTS2020脑胶质瘤MRI分割，以及具有多专家标注的LIDC肺结节CT和MMIS-2024鼻咽癌MRI数据。作者在四个有干净标签的数据集上构造三类模拟噪声：前景缩小S_R、前景扩大S_E，以及传统形态学膨胀或腐蚀S_DE；其中S_R和S_E基于Markov边界扰动，更接近真实临床标注中不规则、边界集中的误差。在Kvasir、Shenzhen和BU_SUC上，GSD-Net在所有噪声设置下均取得最佳Dice，例如Shenzhen的S_R达到93.31%，显著超过对比方法；BU_SUC在低对比和高噪声超声场景下也表现出明显优势。在BraTS2020三维MRI任务中，GSD-Net在S_R、S_E和S_DE下分别达到81.53%、82.68%和83.84%的Dice，均优于T-Loss、Co-Teaching等基线。对于真实多专家差异场景，GSD-Net在LIDC和MMIS-2024上相较CE、RMD、ADELE、JoCoR、MSA等方法获得更高平均Dice，并且在跨专家评估中性能下降更小，说明其能缓解观察者间标注差异。
消融研究
消融实验以Kvasir为主要验证对象，逐步加入GDA、普通标签细化、结构引导标签细化和KT模块。仅使用JoCoR基线时，三个噪声设置下Dice约为71.05%、73.79%和69.23%；加入GDA后提升到76.76%、75.91%和75.13%，说明几何距离权重能有效缓解边界噪声。进一步加入标签细化和超像素结构引导后，模型能恢复小损失策略忽略的监督信息并改善边界一致性；完整GSD-Net达到80.04%、79.39%和79.97%，证明各模块具有互补性。Grad-CAM可视化显示，随着模块逐步加入，模型注意力从分散背景逐渐聚焦到病灶区域和边界，增强了可解释性。作者还分析了小损失丢弃率τ的敏感性，结果显示GSD-Net对τ不十分敏感，并提出基于L_search曲线的自动搜索机制，使τ在实践中可根据数据内在噪声率自适应确定。
Discussion讨论
05
讨论部分强调GSD-Net的临床意义在于能够在不可避免的粗糙标注和多专家差异下保持稳定分割性能，从而降低对昂贵精确标注的依赖。论文进一步证明该框架具有架构无关性，可与U-Net、UNet++和ViT U-Net等不同骨干结合，并在多个数据集和噪声设置下带来一致提升。作者还将其与Medical SAM Adapter等基础模型适配方法比较，指出强大的预训练空间先验并不能自动解决噪声标签问题，仍需要显式的抗噪机制；GSD-Net未来可作为基础模型医学微调阶段的鲁棒训练层。论文也讨论了计算代价，完整框架训练时间高于普通CE训练，但推理时间保持在5.12 ms每图，适合高通量应用。局限方面，当前方法主要验证于公开数据集和二分类分割任务，多中心临床泛化、多类别噪声、细长分支结构以及更复杂拓扑约束仍需进一步研究。
Conclusion结论
06
本文提出GSD-Net作为一种面向噪声标注医学图像分割的统一鲁棒训练框架。它在小损失可靠区域选择的基础上，引入几何距离感知加权、结构引导标签细化和跨样本知识迁移，从而同时抑制错误监督、恢复可用伪标签并增强结构多样性。六个公开数据集的实验表明，该方法在模拟噪声和真实多专家标注差异下均稳定优于现有方法。总体来看，GSD-Net为低成本、粗标注或多标注者场景下的医学图像分割提供了具有实用潜力的解决方案。
Figure图
07
图1.
该图展示医学分割标注噪声的三类主要来源：为了节省时间而进行的粗略勾画，同一专家在不同状态下产生的观察者内差异，以及不同专家之间对边界和病灶范围理解不同造成的观察者间差异。它直观说明噪声标签并非随机孤立错误，而是经常集中在模糊边界和结构复杂区域，是本文提出结构化抗噪方法的动机。
图2.
该图概括GSD-Net中小损失准则、GDA、SGLR和KT四个组成部分之间的正反馈关系。小损失选择提供初始可靠区域，GDA强化可信区域并抑制噪声，SGLR恢复和修正被丢弃的监督信号，KT通过跨样本结构扰动增强数据多样性与鲁棒性。图中强调本文不是简单堆叠模块，而是让可靠性、几何先验、结构约束和多样性学习互相促进。
图3.
该图是论文最核心的方法图，展示两个网络分支如何接收原图和弱增强图像，生成预测后进入GDA和SGLR模块，再通过知识迁移模块交换局部区域并进行联合监督。子图还细化展示了GDA如何从噪声标签边界生成距离权重图，以及SGLR如何用双网络预测融合与SLIC超像素结构约束生成伪标签。该图说明GSD-Net在训练阶段同时处理可靠区域选择、噪声抑制、标签细化和跨样本增强。
图4.
该图直观解释GDA模块如何利用噪声标签边界生成距离权重图。靠近边界的区域更可能包含标注误差，因此权重较低；远离边界的内部区域通常更可信，权重较高。结合小损失筛选后，模型能强化可靠监督并减少边界噪声对梯度的干扰，这也是GSD-Net在早期训练更稳定的重要原因。
图5：
该图展示三类模拟噪声S_R、S_E和S_DE在Kvasir、Shenzhen、BU_SUC、BraTS2020中的形态差异，并展示LIDC和MMIS-2024中多专家标注的真实不一致性。红色轮廓表示真实标签，绿色轮廓表示噪声标签，可以看到Markov边界扰动产生的不规则误差比简单膨胀腐蚀更贴近真实临床标注偏差。
图6：
该图比较GSD-Net与ADELE、CDR、Co-Teaching、JoCoR、SP-Guide、RMD等方法在Kvasir、Shenzhen和BU_SUC三个数据集、三种噪声设置下的分割轮廓。GSD-Net的绿色预测边界整体更接近红色真实边界，在息肉边缘、肺野边界和乳腺超声肿瘤轮廓上更少出现过分割、欠分割和轮廓破碎现象，支持其定量优势。
图7.
该图展示LIDC肺结节和MMIS-2024鼻咽癌数据中，GSD-Net预测与四位专家标注A1到A4的对比。不同专家轮廓之间存在明显差异，而GSD-Net预测更接近多专家共同认可的语义区域，在边界上较为平滑且能避免偏向单一标注者，说明该方法对真实观察者间差异具有鲁棒性。
图8.
该图对应消融实验中的六种模块组合，展示模型注意力随模块增加的变化。基础设置下关注区域较分散，加入GDA、SGLR和KT后，热力图逐渐集中到病灶及其边界附近，并与粉色真实边界更一致。这表明各模块不仅提高Dice，也让模型学习到更具解剖意义的特征。
图9.
该图展示在Kvasir、Shenzhen和BU_SUC三个数据集上，不同小损失丢弃率τ对应的L_search训练轨迹。曲线最低点通常出现在接近数据真实噪声率的位置，说明作者提出的搜索损失可以为未知噪声率场景提供自动化参考，降低手工调参依赖。
图10.
该图展示噪声参数P从前景缩小到前景扩大的连续变化时，GSD-Net在三个数据集上的Dice变化以及对应可视化示例。结果表明方法在严重欠标注或过标注下仍能维持较高性能，并随着噪声减弱而进一步提升，证明其对多种标注质量具有稳定适应能力。
