CTI-Unet：基于级联阈值集成的肾病理图像分割
图像与视频处理
2025-04-09 v1 计算机视觉与模式识别
摘要
慢性肾病（CKD）是全球范围内日益突出的健康问题，亟需精准且高效的图像分析以辅助诊断和治疗规划。自动化分割肾病理图像在促进临床工作流程中才作用。然而，传统分割模型常需精细调校阈值。本文提出一种新型 \textit{级联阈值集成 U-Net（CTI-Unet）}，以克服单阈值分割的局限性。通过依次整合多个阈值化输出，我们的方法能够在噪声抑制与保留更细微结构细节之间进行平衡。在挑战性的 KPIs2024 数据集上进行的实验表明，CTI-Unet 在 nnU-Net、Swin-Unet 和 CE-Net 等最先进架构方面均表现优异，为肾病理图像分割提供了稳健且灵活的框架。
引用
@article{arxiv.2504.05640,
title = {CTI-Unet: Cascaded Threshold Integration for Improved U-Net Segmentation of Pathology Images},
author = {Mingyang Zhu and Yuqiu Liang and Jiacheng Wang},
journal= {arXiv preprint arXiv:2504.05640},
year = {2025}
}