MetaDCSeg는 의료 영상 분할에서 잡음이 있는 주석과 모호한 해부학적 경계로 인한 모델 훈련의 불안정성을 해결하기 위해 제안된 프레임워크입니다. 이 프레임워크는 픽셀 단위의 가중치를 동적으로 학습하여 잡음이 있는 ground-truth 레이블의 영향을 억제하고 신뢰할 수 있는 주석을 보존합니다. Dynamic Center Distance (DCD) 메커니즘을 통해 경계 불확실성을 명시적으로 모델링하며, 가중된 특징 거리를 사용하여 전경, 배경, 경계 중심을 활용하여 모호한 경계 근처의 분할하기 어려운 픽셀에 모델의 주의를 집중시킵니다. MetaDCSeg는 다양한 잡음 수준의 네 가지 벤치마크 데이터셋에서 기존 SOTA 방법들을 일관적으로 능가하는 성능을 보였습니다.
