融合模糊逻辑的不确定性感知损失函数：应用于 MRI 脑图像分割
计算机视觉与模式识别
2026-04-21 v1 人工智能
机器学习
摘要
准确的脑图像分割，尤其是对于区分磁共挨成像（MRI）图像中的 various 组织，对于发现神经疾病和医学图像计算具有至关重要的作用。在深度学习方法中，损失函数对优化模型至关重要。本研究引入一种新型损失函数，将模糊逻辑集成以处理脑图像分割中的不确定性问题。它集成了众所周知的分类交叉熵（CCE）损失函数和基于模糊逻辑的模糊熵。通过采用模糊逻辑，该损失函数考虑了像素分类内在的不确定性。该提议的损失函数在两个公开可用的基准数据集 IBSR 和 OASIS 上进行评估，使用两个广为人知的架构 U-Net 和 U-Net++。实验结果表明，使用提议损失函数训练的模型在各种性能指标方面优于 CCE 优化函数。此外，它在处理训练期间有意义的不确定性方面有效地提高了分割性能。这些发现表明，该方法不仅改进了分割结果，也为模型预测的可靠性做出了贡献。
引用
@article{arxiv.2604.16490,
title = {An Uncertainty-Aware Loss Function Incorporating Fuzzy Logic: Application to MRI Brain Image Segmentation},
author = {Hanuman Verma and Akshansh Gupta and Pranabesh Maji and Saurav Mandal and Vijay Kumar Pandey},
journal= {arXiv preprint arXiv:2604.16490},
year = {2026}
}
备注
09 pages, 07 Figures