面向心血管图像分割的感知不确定性的泛化框架
人工智能
2026-01-07 v2
摘要
深度学习模型在心血管结构分割方面取得了显著成功，但日益需要提高其泛化能力和鲁棒性。当前方法常常面临过拟合和精度有限等挑战，这在很大程度上是由于它们依赖大型标注数据集且优化技术有限。本文介绍了 UU-Mamba 模型，它是 U-Mamba 架构的扩展，旨在解决心脏和血管分割中的这些挑战。通过引入锐度感知最小化（SAM），该模型通过在损失景观中寻找更平坦的极小值来增强泛化能力。此外，我们提出了一种感知不确定性的损失函数，整合了基于区域、基于分布和基于像素的组件，通过捕获局部和全局特征来提高分割精度。我们在 ImageCAS（冠状动脉）和 Aorta（主动脉分支和区域）数据集上扩展了评估，这些数据集比以往工作中使用的 ACDC 数据集（左右心室）呈现出更复杂的分割挑战，展示了模型的适应性和弹性。我们的结果证实，与 TransUNet、Swin-Unet、nnUNet 和 nnFormer 等领先模型相比，UU-Mamba 具有更优的性能。我们还通过大量实验对模型的鲁棒性和分割精度进行了更深入的评估。
引用
@article{arxiv.2409.14305,
title = {An Uncertainty-Aware Generalization Framework for Cardiovascular Image Segmentation},
author = {Ting Yu Tsai and Liangqiao Gui and Yineng Chen and Li Lin and Shu Hu and Connie W. Tsao and Xin Li and Shao Lin and Ming-Ching Chang and Hongtu Zhu and Xin Wang},
journal= {arXiv preprint arXiv:2409.14305},
year = {2026}
}