基于空间与尺度不确定性感知网络的长条形生理结构分割
图像与视频处理
2023-05-31 v1 计算机视觉与模式识别
摘要
对长条形生理结构进行鲁棒且准确的分割具有挑战性，尤其在模糊区域，如光照不均的角膜内皮显微镜图像或受疾病干扰的眼底图像。本文提出空间与尺度不确定性感知网络（SSU-Net），充分利用空间与尺度不确定性来突出模糊区域并整合分层结构上下文。首先，我们利用 Monte Carlo dropout 近似贝叶斯网络估计认知与偶然空间不确定性图。基于这些空间不确定性图，我们提出门控软不确定性感知（GSUA）模块引导模型关注模糊区域。其次，我们提取不同尺度下的不确定性，并提出多尺度不确定性感知（MSUA）融合模块整合来自分层预测的结构上下文，增强最终预测。最后，我们将最终预测的不确定性图可视化，为分割结果提供可解释性。实验结果表明，SSU-Net 在角膜内皮细胞与视网膜血管分割任务上表现最佳。此外，与同类型基于不确定性的方法相比，SSU-Net 更准确且鲁棒。
引用
@article{arxiv.2305.18865,
title = {Elongated Physiological Structure Segmentation via Spatial and Scale Uncertainty-aware Network},
author = {Yinglin Zhang and Ruiling Xi and Huazhu Fu and Dave Towey and RuiBin Bai and Risa Higashita and Jiang Liu},
journal= {arXiv preprint arXiv:2305.18865},
year = {2023}
}