TwinTrack：医学图像分割中的事后多标注者校准 TwinTrack: Post-hoc Multi-Rater Calibration for Medical Image Segmentation
针对胰腺癌CT分割中专家标注分歧，将集成概率事后校准到平均人类响应
前置知识
nnU-Net
nnU-Net是Isensee等2021年提出的自配置医学图像分割框架，能根据数据集的体素间距、尺寸和类别数自动调整预处理、超参与架构（2D/3D/full-resolution级联），在多项MICCAI挑战赛取得顶尖成绩。TwinTrack把它作为两阶段分割主干。
全文方法建立在两套nnU-Net级联（低分辨率粗定位+高分辨率精分割）之上，读者必须先理解其标准化训练pipeline与数据预处理才能跟随实验细节。
等渗回归 (Isotonic Regression)
等渗回归是保序的非参数回归方法，给定 $(x_i, y_i)$ 样本拟合单调函数 $\hat{F}$，常用PAV算法求解。它不假设函数形式，但会把预测概率重新映射到与经验频率对齐，常用作置信度后处理。TwinTrack用它把网络输出映射到MHR。
校准层核心数学工具就是等渗回归；理解其单调性（不改变体素排序）和无参数特性有助于判断为什么它不会破坏下游Dice阈值化的稳定性。
平均人类响应 (Mean Human Response, MHR)
给定N位专家对同一voxel的二元标注 $\{y_i\}_{i=1}^N$，平均人类响应MHR定义为 $\bar{y}(x)=\frac{1}{N}\sum_i y_i(x)$，即该体素被标为肿瘤的专家比例，可视为群体软标签。论文在Appendix A证明它是多标注者等渗目标的最优解。
这是TwinTrack区别于单标注者校准的关键标靶；它把专家分歧显式编码成概率不确定性，是理解为什么不能简单用一位医生标签的核心。
期望校准误差 (ECE)
期望校准误差把预测概率分桶，每桶比较平均置信度与实际准确率之差并按样本数加权求和：$\mathrm{ECE}=\sum_m \frac{|B_m|}{n}|\mathrm{acc}(B_m)-\mathrm{conf}(B_m)|$。值越小说明模型把握与实际命中越一致，是衡量校准质量的核心指标。
概率输出只有在可靠的前提下才有临床价值，ECE是衡量校准质量的核心指标，也是Table 1中TwinTrack胜出最直接的证据。
阈值化Dice (Thresholded Dice, TDSC)
Dice相似系数 $\mathrm{DSC}=2|P\cap G|/(|P|+|G|)$ 衡量两二值掩膜的重叠率。Thresholded Dice (TDSC) 进一步把多个概率阈值的Dice取平均，评估模型在全阈值上的综合表现，规避选哪个阈值切的争议。
论文用TDSC而非单一阈值Dice评估多标注者设置下的分割质量，是判断校准目标是否真正改善了整体分割性能的主要指标。
研究动机
胰腺导管腺癌（PDAC）的CT影像分割是临床分期与放疗规划的关键，但肿瘤边界本身模糊——增强CT上肿瘤与正常胰腺实质、血管对比度低，浸润性生长常常没有清晰界面。Reuzel等2021年已证实即便经验丰富的放射科医师之间勾画差异也很显著。但当前主流nnU-Net等深度分割器仍以单一真值为训练目标：把所有专家标注中选一个（多数投票或某医生版本）当ground truth，用交叉熵或Dice损失拟合。这种用硬标签训练、再用sigmoid/softmax给概率的范式在标注一致的任务里没问题，但搬到PDAC上出现两类问题：(1) 置信度既不代表我是对的把握，也不代表肿瘤存在的可能性，而是过拟合到某位医生偏好的判别值，校准很差（Guo et al., 2017; Ji et al., 2021）；(2) 对边缘体素模型要么自信判为肿瘤、要么自信判为背景，无法告诉医生五位专家里有三位画了进去这种天然不确定性。在CURVAS-PDACVI基准（n=64）上未校准基线ECE就达0.0156，CRPS高达6032。
本文的目标是本文目标是提出一种简单、可即插即用、能显式建模专家分歧的事后概率校准方法，使分割网络输出的体素级概率直接具备在该位置把该体素标为肿瘤的专家比例这一可解释语义。具体地，作者希望在不重训分割网络的前提下，借助一个小的多标注者校准集（CURVAS-PDACVI训练集40例，每例5位专家），把一个现成的两阶段nnU-Net ensemble的肿瘤概率用等渗回归单调重映射到经验Mean Human Response（MHR）上：$\bar{y}(x)=\frac{1}{N}\sum_i y_i(x)$。这样校准后的概率既是单调的（不改变体素排序，不破坏下游阈值Dice），又能被临床医生解读为该体素被N位专家标为肿瘤的比例。在MICCAI 2025 CURVAS-PDACVI基准上希望同时改善ECE（概率可靠性）、CRPS（连续秩概率得分）、Thresholded Dice（多阈值Dice均值）三项指标，并在5条关键血管（门静脉、肠系膜上静脉、腹主动脉、腹腔干、肠系膜上动脉）的血管侵犯评估上获得更好的临床相关性。
与已有工作不同的是，现有工作对标注者分歧处理分两条路：第一条是把多标注者信息融进训练过程，如Probabilistic U-Net (Kohl et al., 2018)、PIANO (Jensen et al., 2019)、Wu et al. (2024) 等，需在训练阶段使用多标注者数据、修改损失或采样方式，对算力数据要求高，最终分布输出也缺乏可解释物理含义；第二条是事后校准，但既有医学影像校准工作（Mehrtash et al., 2020; Rousseau et al., 2025）几乎都假设存在单一可信真值，把模型概率对齐到该真值的经验频率，不适用于PDAC这种连真值都不唯一的场景。TwinTrack的独特切入角度是：把校准目标从单一专家标签替换为多标注者的MHR，并证明这一选择恰好是多标注者等渗回归目标的最优解（见Appendix A）。整个pipeline不重训网络，仅用一个独立小校准集做一次单调重映射，既保留ensemble的判别能力，又让专家分歧被显式编码进输出概率。这一组合在医学分割文献中并未被显式形式化，是本文的差异化贡献。
核心方法
整体思路：用一个标准的coarse-to-fine分割ensemble负责看图说话，再用一个保序的事后校准层把它的概率翻译成可解释的多标注者共识。直觉上，分割网络先在低分辨率全图上做一次粗略的胰腺定位，得到一个高召回率的ROI（区域感兴趣），再在高分辨率ROI上跑3个独立训练的高分辨率nnU-Net做精细分割，把3个网络的sigmoid输出逐体素平均，得到体素级肿瘤概率 $p_{\text{raw}}(x)$。此时 $p_{\text{raw}}(x)$ 是网络自认为这是肿瘤的把握，但没被校准到任何人类共识尺度。TwinTrack的最后一层用等渗回归拟合一个单调映射 $f: p_{\text{raw}}(x) \mapsto \bar{y}(x)$，其中 $\bar{y}(x) = \frac{1}{N}\sum_i y_i(x)$ 是N位专家在体素x处标为肿瘤的比例。由于等渗回归只重映射、不改变排序，校准后的概率在每个阈值下都和原网络产生同样的二值化结果（因此Dice不会变差），但其绝对数值被校准到了专家标为肿瘤的期望比例这一可解释语义。
核心创新是把事后校准的目标从单一真值的经验频率重新定义为多标注者MHR的体素级软标签，并通过等渗回归这一保序工具实现该映射。已有单标注者校准方法（Mehrtash et al., 2020; Rousseau et al., 2025）的隐含假设是存在一个金标准标注者，其标注代表唯一真值；校准后概率只是我对金标准对错的把握。TwinTrack拒绝这一假设：在PDAC这种连专家都不一致的设定下没有金标准可言，把校准目标从频率对不对换成群体共识比例对不对。这一替换带来三个本质区别：(1) 校准集只需要标注者间的分歧信息而无需指定谁是标准答案，匹配多标注者数据集的天然结构；(2) 输出概率具有直接临床语义——五位专家里有3位会把它标为肿瘤——而不仅是网络自评把握；(3) 高分歧体素自然被映射到中间概率，避免硬标签校准把3/5与5/5都拉到0或1的过度自信问题（hard-label baseline的TDSC仅0.307即可说明）。技术上作者在Appendix A给出关键定理：在多标注者等渗回归目标下，最优映射就是到MHR的校准。
方法步骤详情
pipeline分四步。① 粗定位：低分辨率nnU-Net在整张contrast-enhanced CT上做胰腺区域分割并膨胀得到3D ROI $V_{\text{ROI}}$。② 高分辨率精分割：在$V_{\text{ROI}}$内独立训练$K=3$个高分辨率nnU-Net，输出sigmoid概率 $p_k(x)$ 并按体素求平均得集成概率 $p_{\text{ens}}(x)$；此步用单一标注者（如多数投票）训练即可。③ 事后校准：取40例CT（每例5位专家），把 $p_{\text{ens}}(x)$ 当输入、MHR $\bar{y}(x)=\frac{1}{N}\sum_i y_i(x)$ 当目标，拟合等渗回归器 $f$。④ 推理时替换：对任意新CT先得 $p_{\text{ens}}(x)$，再算 $p_{\text{cal}}(x)=f(p_{\text{ens}}(x))$，其语义就是该体素被标为肿瘤的专家期望比例。整个流程不重训网络，校准只需一个PAV求解，CPU上几秒完成。
技术新颖性
技术新颖性可以拆成三点。第一点是校准目标的形式化替换：把以往单标注者校准隐含的金标准假设显式打破，定义多标注者软目标MHR $\bar{y}(x) = \frac{1}{N}\sum_i y_i(x)$ 为新的校准参照系。这一替换看似简单，却要求理论支持——作者在Appendix A证明，对于多标注者等渗回归的oracle目标，最优映射就是到MHR的校准，这是一般文献里没有显式给出的多标注者校准一致性定理。第二点是不重训的极端简洁性：整条方法链上唯一新增的参数是PAV算法拟合出的分段常数函数，不需要新增网络层、不需要修改损失、不需要SGD，因此可以无成本地挂在任何已训练好的分割器上。第三点是保序性带来的免费收益：因为等渗回归单调，$p_{\text{ens}}(x)$的体素排序在$p_{\text{cal}}(x)$中保持不变，所以多阈值Dice（TDSC）的整体分布也保持原状——校准只调整概率的刻度而不动其形状，这是与硬标签校准和单标注者校准的关键差异，也是Table 1中TwinTrack在TDSC上从0.553升到0.569（其它基线骤降到0.300-0.307）的根因。
实验结果
核心实验在MICCAI 2025 CURVAS-PDACVI测试集（n=64）上对比四种校准目标（5000次bootstrap均值），TwinTrack（MHR）在主要校准指标和4/5条血管指标上同时最优。概率校准方面，TwinTrack的ECE=0.0147（vs. 0.0156/0.0209/0.0209），CRPS=5924（vs. 6032/10342/9860），降低幅度经配对bootstrap在95%CI上显著（†标注）。分割质量方面，TDSC从无校准的0.553升到0.569，单标注者和硬标签基线分别跌至0.300和0.307，差距超0.25 Dice，说明用错校准目标对分割伤害远大于不校准。血管侵犯距离上，TwinTrack在PORTA（28.9 vs. 32.7）、SMV（32.8 vs. 34.8）、AORTA（6.10 vs. 6.34）、CELIAC（14.5 vs. 18.6）四条血管上均优于无校准基线，仅SMA（28.7 vs. 25.9）略输硬标签基线。作者报告其在MICCAI 2025 CURVAS-PDACVI挑战赛上排名第一。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| PDAC CT分割（多标注者校准） | Thresholded Dice (TDSC) ↑ | 0.569 (MHR) | 0.553 (无校准) / 0.300 (单标注者) / 0.307 (硬标签) | +0.016 vs 无校准；显著优于单标注者+0.269 |
| PDAC CT分割（多标注者校准） | Expected Calibration Error (ECE) ↓ | 0.0147 | 0.0156 (无校准) / 0.0209 (单标注者) / 0.0209 (硬标签) | -5.8% vs 无校准；约-30% vs 单标注者/硬标签 |
| PDAC CT分割（多标注者校准） | CRPS ↓ | 5924 | 6032 (无校准) / 10342 (单标注者) / 9860 (硬标签) | -1.8% vs 无校准；-43% vs 单标注者 |
| 血管侵犯VI - 门静脉（PORTA） | 平均VI距离 | 28.9 | 32.7 (无校准) / 38.5 (单标注者) / 34.2 (硬标签) | -3.8 距离单位 vs 无校准 |
| 血管侵犯VI - 肠系膜上静脉（SMV） | 平均VI距离 | 32.8 | 34.8 (无校准) / 48.7 (单标注者) / 42.3 (硬标签) | -2.0 距离单位 vs 无校准 |
| 血管侵犯VI - 腹主动脉（AORTA） | 平均VI距离 | 6.10 | 6.34 (无校准) / 9.09 (单标注者) / 7.29 (硬标签) | -0.24 距离单位 vs 无校准 |
| 血管侵犯VI - 腹腔干（CELIAC） | 平均VI距离 | 14.5 | 18.6 (无校准) / 19.9 (单标注者) / 17.9 (硬标签) | -4.1 距离单位 vs 无校准 |
| 血管侵犯VI - 肠系膜上动脉（SMA） | 平均VI距离 | 28.7 | 33.1 (无校准) / 30.7 (单标注者) / 25.9 (硬标签) | -4.4 vs 无校准；略输硬标签+0.7 |
局限与改进
作者在论文正文中并未单列Limitations小节，但通过Appendix与正文方法学描述可以读出几处客观约束。第一，校准的样本量较小且来源单一：整个校准集仅来自CURVAS-PDACVI训练集的40例CT（每例5位专家），是否在不同CT扫描仪、不同医院采集的PDAC上仍然有效，作者未做跨域验证。第二，等渗回归是分段常数映射，没有概率平滑性：在两个相邻PAV区段的边界上，$p_{\text{cal}}$会出现跳跃式不连续，可能影响下游基于梯度的精细后处理（如条件随机场）。第三，ECE的绝对下降幅度（0.0156 → 0.0147，约5.8%）在统计上显著但绝对值偏小——这是因为PDAC的体素分布极度不均衡（背景体素占99%以上），ECE对单个体素偏移的敏感度被海量背景稀释，作者在文中明确承认这一点。第四，方法只能处理二元分割：把多个类别合并成肿瘤vs.非肿瘤再校准，对多类分割（如同时区分PDAC、IPMN、囊肿）的泛化能力没有涉及。第五，从我自己的观察看，等渗回归在N=5（→MHR只有6个可能值）时分辨率有限，会出现平台效应。
独立分析的弱点
独立审视TwinTrack的弱点，主要有四点。第一，方法对专家标注独立性假设较强：MHR把每位专家视为同等可靠的独立伯努利投票者，但实际临床中专家可能参考同一指南、互相影响甚至系统性高估/低估肿瘤。一种改进方向是引入标注者可靠性权重$\bar{y}_w(x) = \sum_i w_i y_i(x) / \sum_i w_i$，再用等渗回归拟合——权重可用标注者间一致性或外部金标准反推。第二，等渗回归的分段常数在N=5时MHR只有6个可能值，分辨率有限，会出现平台效应，即相邻MHR值之间网络输出微小的差异都被压平成同一常数。可以用三次样条或beta calibration替代，但需保持单调。第三，方法仅做二元（肿瘤vs背景）校准，真实临床中可能需要同时区分PDAC、IPMN、囊性病变等多类——把多分类softmax输出当作多个二元校准问题拼接并独立地校准到每个类别的MHR，是直接的扩展方向。第四，pipeline里第一阶段粗定位nnU-Net也会输出概率，但作者没有把粗定位网络也校准；如果该粗分割用作高召回ROI筛选会引入系统性偏差（高估或低估ROI大小）。
未来方向
作者在文末与Appendix中给出了若干后续方向，本人也基于成果延伸了几点。技术延伸：(1) 把等渗校准扩展到多类分割，每个类独立校准到该类MHR，并以Dirichlet校准保持类间概率归一性；(2) 用beta calibration、Platt scaling或温度缩放做对比实验，验证等渗回归的无参数保序是否在PDAC数据上真的最优；(3) 把校准与下游临床任务（如放疗计划DICE、Vascular Invasion距离）联合优化，校准目标不再仅是匹配MHR，而是提升放疗计划GTV的DICE，让校准任务驱动。数据延伸：(4) 在多中心、多CT厂商的PDAC数据上验证校准的跨域鲁棒性；(5) 把标注者人数从5提升到10–20，研究MHR粒度对校准曲线的平滑度影响；(6) 探索半监督MHR——用单标注者训练的模型预测未标注病例的概率分布，再用EM算法推断群体共识作为MHR的软估计，降低对多标注者标注数据的依赖。应用延伸：(7) 把可解释概率直接接入主动学习循环让模型自动请求最需专家复审的病例；(8) 把同一框架迁移到脑胶质瘤浸润区勾画、淋巴结转移灶检测等其它高分歧任务。
复现评估
可复现性方面本文具备几项有利条件也存在需要关注的细节。有利条件：(1) 数据集是公开的MICCAI 2025 CURVAS-PDACVI基准和PANORAMA batch 4，包含5位专家的多标注者标注；(2) 训练pipeline完全基于开源nnU-Net框架（Isensee et al., 2021），不需自研网络；(3) 校准层仅是scikit-learn/等渗回归的现成实现，单文件几行代码即可；(4) 评测指标（TDSC、ECE、CRPS、VI距离）有标准定义，作者报告了5000次bootstrap均值。需关注细节：(1) 文章正文未给出代码仓库URL或权重，Appendix只声明数据公开，要复现挑战赛第一需自行实现粗定位+3个高分辨率nnU-Net+等渗校准；(2) 训练用GPU型号、batch size、训练epoch数等关键超参未在正文披露；(3) 整体复现门槛：3×nnU-Net高分辨率训练在单卡A100上约需1-2周，校准集等渗回归几乎瞬间完成。综合判断：方法本身极其简洁（无新增可学习参数），复现难度集中在nnU-Net训练本身。
论文图表
