如何在模糊边界分割任务中基于多标注掩码生成GT掩码？

针对两类典型标注分歧的GT生成方案 #

情况1：孤立区域的标注分歧（标注者意见不一+存在不确定标注） #

• 加权投票判定：根据标注者的专业背景、历史标注准确率等设置对应权重，对该区域的三类标注（炎症、非炎症、不确定）做加权统计。若「炎症」加权占比超过预设阈值（如60%）则标记为炎症；「非炎症」占比达标则标记为非炎症；若两者均不满足，就保留「不确定」标签，后续可将这类区域作为模糊样本单独处理。
• 多类别建模：把「不确定」区域作为独立类别加入GT掩码，训练时让模型学会区分明确炎症、明确非炎症、模糊区域三类，推理阶段可根据实际需求决定模糊区域的归属（比如合并到某一类或单独输出）。

情况2：多数标注为炎症但边界差异显著 #

• 交集/并集/加权融合：
  • 保守策略：取所有标注边界的交集作为GT，确保该区域是所有标注者公认的炎症范围，适合对假阳性要求严格的场景。
  • 宽松策略：取所有标注边界的并集作为GT，覆盖所有可能的炎症区域，适合对假阴性要求严格的场景。
  • 加权融合：给专业度更高的标注者的边界赋予更高权重，计算每个像素被标注为炎症的加权次数占比，超过阈值则标记为炎症，兼顾共识与专业判断。
• 边界分层标注：将仅被部分标注者标记的区域设为模糊边界层，用不同灰度值在GT掩码中区分「明确炎症」「模糊边界」「非炎症」，让模型学习边界的不确定性，提升对低质量图像的分割鲁棒性。

通用优化策略 #

• 标注共识补全：组织标注者对分歧大的区域二次研讨，明确标注规则；若无法达成统一，就将这类区域作为模糊样本保留，用于模型的不确定性训练。
• 概率GT掩码：放弃硬二进制掩码，生成概率掩码——每个像素值等于标注者标记其为炎症的比例（或加权比例），训练时搭配交叉熵或Dice损失，让模型学习像素级的不确定性，更适配模糊场景。

内容的提问来源于stack exchange，提问作者sixtytrees