CheXmask-U：基于解剖标志的 X 射线图像分割不确定性量化
计算机视觉与模式识别
2026-02-24 v2
摘要
在本工作中，我们研究了针对胸部 X 光图像进行基于解剖标志的分割不确定性估计。我们受灵感来自将标准图像卷积编码器与图基生成解码器组合的混合神经网络架构，利用其变分潜空间，导出两种互补的测量方法：（i）从学习到的分布参数直接捕获潜在不确定性，（ii）通过从潜在样本生成多个随机输出预测来获得预测不确定性。通过受控损坏实验，我们展示两种不确定性测量随扰动严重程度的增加而增加，反映了全局和局部降解。我们展示，这些不确定性信号可通过与手动基准真值进行比较来识别不可靠的预测，并支持 CheXmask 数据集上的离群检测。更重要的是，我们发布了 CheXmask-U（huggingface.co/datasets/mcosarinsky/CheXmask-U），一个规模为 657,566 张胸部 X 光图像解剖标志分割数据集，附带每个节点不确定性估计，使研究人员能够在使用这些解剖掩码时考虑空间分割质量的变化。我们的发现确立了不确定性估计作为提升基于解剖标志的胸部 X 光图像分割方法鲁棒性和安全部署的有前景的方向。该方法的完整工作交互演示可在 huggingface.co/spaces/matiasky/CheXmask-U 上获得，源代码可在 github.com/mcosarinsky/CheXmask-U 上获得。
引用
@article{arxiv.2512.10715,
title = {CheXmask-U: Quantifying uncertainty in landmark-based anatomical segmentation for X-ray images},
author = {Matias Cosarinsky and Nicolas Gaggion and Rodrigo Echeveste and Enzo Ferrante},
journal= {arXiv preprint arXiv:2512.10715},
year = {2026}
}
备注
Accepted for publication at MIDL 2026