Segmentation of pneumonia lesions from CT scans of COVID-19 patients is important for accurate diagnosis and follow-up. Deep learning has a potential to automate this task but requires a large set of high-quality annotations that are difficult to collect. Learning from noisy training labels that are easier to obtain has a potential to alleviate this problem. To this end, we propose a novel noise-robust framework to learn from noisy labels for the segmentation task. We first introduce a noise-robust Dice loss that is a generalization of Dice loss for segmentation and Mean Absolute Error (MAE) loss for robustness against noise, then propose a novel COVID-19 Pneumonia Lesion segmentation network (COPLE-Net) to better deal with the lesions with various scales and appearances. The noise-robust Dice loss and COPLE-Net are combined with an adaptive self-ensembling framework for training, where an Exponential Moving Average (EMA) of a student model is used as a teacher model that is adaptively updated by suppressing the contribution of the student to EMA when the student has a large training loss. The student model is also adaptive by learning from the teacher only when the teacher outperforms the student. Experimental results showed that: (1) our noise-robust Dice loss outperforms existing noise-robust loss functions, (2) the proposed COPLE-Net achieves higher performance than state-of-the-art image segmentation networks, and (3) our framework with adaptive self-ensembling significantly outperforms a standard training process and surpasses other noise-robust training approaches in the scenario of learning from noisy labels for COVID-19 pneumonia lesion segmentation.

Nanoimprinting large-area structures, especially high-density features like meta lenses, poses challenges in achieving defect-free nanopatterns. Conventional high-resolution molds for nanoimprinting are often expensive, typically constructed from inorganic materials such as silicon, nickel (Ni), or quartz. Unfortunately, replicated nanostructures frequently suffer from breakage or a lack of definition during demolding due to the high adhesion and friction at the polymer-mold interface. Moreover, mold degradation after a limited number of imprinting cycles, attributed to contamination and damaged features, is a common issue. In this study, a disruptive approach is presented to address these challenges by successfully developing an anti-sticking nanocomposite mold. This nanocomposite mold is created through the co-deposition of nickel atoms and low surface tension polytetrafluoroethylene (PTFE) nanoparticles via electroforming. The incorporation of PTFE enhances the ease of polymer release from the mold. The resulting Ni-PTFE nanocomposite mold exhibits exceptional lubrication properties and a significantly reduced surface energy. This robust nanocomposite mold proves effective in imprinting fine, densely packed nanostructures down to 100 nm using thermal nanoimprinting for at least 20 cycles. Additionally, UV nanoimprint lithography (UV-NIL) is successfully performed with this nanocomposite mold. This work introduces a novel and cost-effective approach to reusable high-resolution molds, ensuring defect-reduction production in nanoimprinting.