基于边界一致性和鲁棒性的动脉分割的物理信息损失函数
计算机视觉与模式识别
2025-11-26 v1 机器学习
摘要
准确提取和分割脑动脉对于开发可靠的复杂脑血管疾病临床管理模型至关重要。常规损失函数仅依赖像素级重叠，忽视血管边界的几何和物理一致性，可能导致血管预测碎片化或不稳定。为克服这一限制，我们提出一种新型物理信息损失（Physics-Informed Loss, PIL），其模型将预测边界与真实边界之间的交互建模为受材料物理学中位错理论启发的弹性过程。该公式引入基于物理的正则化项，以强化平滑轮廓演化和结构一致性，使网络能够更好地捕获细微血管几何。将所提损失集成到多种分割架构中，包括U-Net、U-Net++、SegFormer和MedFormer，并在两个公共基准数据集DIAS和DSCA上进行评估。实验结果表明，PIL consistently优于交叉熵、Dice、活动轮廓和曲面损失等常规损失函数，实现更高的灵敏度、F1分数和边界一致性。这些发现确认，将基于物理的边界相互作用纳入深度神经网络后，可提高动态血管造影影像中血管分割的精度和鲁棒性。该方法的实现已公开于https://github.com/irfantahir301/Physicsis_loss。
引用
@article{arxiv.2511.20501,
title = {A Physics-Informed Loss Function for Boundary-Consistent and Robust Artery Segmentation in DSA Sequences},
author = {Muhammad Irfan and Nasir Rahim and Khalid Mahmood Malik},
journal= {arXiv preprint arXiv:2511.20501},
year = {2025}
}