CLFSeg：基于模糊逻辑的医学图像分割边界清晰度与不确定性降低解决方案
计算机视觉与模式识别
2025-10-29 v1
摘要
准确的结肠息肉和心脏分割对于癌症疾病的诊断和治疗计划至关重要。传统基于卷积神经网络（CNN）的模型表示出有限的通用性、鲁棒性，以及无法处理不确定性，这会影响分割性能。为解决这些问题，本文引入了CLFSeg，一个基于编码器-解码器的框架，整合了模糊卷积（FC）模块，利用卷积层和模糊逻辑。该模块通过识别局部和全局特征，同时最小化边界区域内的不确定性、噪声和歧义，来增强分割性能，确保计算效率。为处理类别不平衡问题并聚焦于细小和边界区域的感兴趣区域，采用二元交叉熵（BCE）与dice loss。我们提出的模型在四个公开数据集上表现突出，包括CVC-ColonDB、CVC-ClinicDB、EtisLaribPolypDB和ACDC。大量实验和可视化研究表明，CLFSeg超越了现有SOTA性能，并在解剖结构的相关感兴趣区域中精准定位。该模型在确保计算效率的同时提升了性能，具有潜在的实际医学诊断场景应用价值。项目页面可在 https://visdomlab.github.io/CLFSeg/ 查阅。
引用
@article{arxiv.2510.24202,
title = {CLFSeg: A Fuzzy-Logic based Solution for Boundary Clarity and Uncertainty Reduction in Medical Image Segmentation},
author = {Anshul Kaushal and Kunal Jangid and Vinod K. Kurmi},
journal= {arXiv preprint arXiv:2510.24202},
year = {2025}
}
备注
The 36th British Machine Vision Conference (BMVC) 2025