DGRNet：基于不一致引导的细化用于不确定性感知脑肿瘤分割
计算机视觉与模式识别
2026-03-24 v1
摘要
accurate 脑肿瘤从 MRI 扫描分割对于诊断和治疗规划至关重要。尽管最近的深度学习方法表现突出，但仍存在两个根本局限：(1) 单模型预测缺乏可靠的不确定性量化，这对于临床部署至关重要，因为不确定性水平可能影响治疗决策；(2) 未充分利用放射学报告中丰富信息，这些信息可以在模糊区域指导分割。在本文中，我们提出了不一致引导细化网络 (DGRNet)，一个新型框架，通过多视图不一致基于不确定性估计和文本条件细化来解决这两个局限。DGRNet 通过四个轻量级的特定于视图的适配器连接到共享编码器-解码器，以实现单次前向传播内置的高效不确定性量化。随后，我们构建不一致图以识别高分割不确定性区域，然后根据临床报告进行选择性细化。此外，我们引入一种保持多样性的训练策略，将两两相似惩罚和梯度隔离结合，以防止视图坍塌。在 TextBraTS 数据集上的实验结果表明，DGRNet 在主要指标 Dice 和 HD95 上分别以 2.4% 和 11% 的优势提高了最先进的分割精度，同时提供了有意义的不确定性估计。
引用
@article{arxiv.2603.21086,
title = {DGRNet: Disagreement-Guided Refinement for Uncertainty-Aware Brain Tumor Segmentation},
author = {Bahram Mohammadi and Yanqiu Wu and Vu Minh Hieu Phan and Sam White and Minh-Son To and Jian Yang and Michael Sheng and Yang Song and Yuankai Qi},
journal= {arXiv preprint arXiv:2603.21086},
year = {2026}
}
备注
10 pages, 3 figures, 4 tables