用于改进 AS-OCT 晶状体结构分割的自适应置信度损失
计算机视觉与模式识别
2025-08-13 v1
摘要
精确的晶状体结构分割对于白内障手术中人工晶状体（IOL）的设计至关重要。现有的深度分割网络通常在交叉熵（CE）损失下对所有像素进行同等加权，忽略了晶状体结构的子区域是不均匀的（例如，某些区域的表现优于其他区域）以及边界区域在像素级别上经常遭受较差的分割校准这一事实。在临床上，专家会考虑子区域比例、模糊边界和晶状体结构形状等因素，以不同的置信度水平标注晶状体结构的不同子区域。受此观察启发，我们提出了一种自适应置信度（ACW）损失，通过来自独特区域方面的置信度阈值，将每个晶状体结构子区域分组到不同的置信度子区域中，旨在利用专家注释置信度先验的潜力。具体来说，ACW 将每个目标区域聚类为低置信度和高置信度组，然后应用区域加权损失来重新加权每个置信度组。此外，我们设计了一种自适应置信度阈值优化算法来动态调整 ACW 的置信度阈值。另外，为了更好地量化边界区域分割中的误校准误差，我们提出了一种新的度量标准，称为边界预期校准误差（BECE）。在临床晶状体结构 AS-OCT 数据集和其他多结构数据集上的大量实验表明，我们的 ACW 在不同的深度分割网络（例如 MedSAM）中显著优于竞争性的分割损失方法。值得注意的是，在 U-Net 下进行晶状体结构分割时，我们的方法超越了 CE，IoU 增益为 6.13%，DSC 增加 4.33%，BECE 降低 4.79%。本文代码可在 https://github.com/XiaoLing12138/Adaptive-Confidence-Wise-Loss 获取。
引用
@article{arxiv.2508.08705,
title = {Adaptive Confidence-Wise Loss for Improved Lens Structure Segmentation in AS-OCT},
author = {Zunjie Xiao and Xiao Wu and Tianhang Liu and Lingxi Hu and Yinling Zhang and Xiaoqing Zhang and Risa Higashita and Jiang Liu},
journal= {arXiv preprint arXiv:2508.08705},
year = {2025}
}