基于证据校准不确定性引导的交互式分割范式：用于超声图像
计算机视觉与模式识别
2025-01-03 v1
摘要
准确且稳健的超声图像分割对于计算机辅助诊断系统至关重要。然而，超声图像固有的挑战，如模糊的边界和斑点噪声，常常导致传统分割方法在性能上吃力。尽管近期在通用图像分割方面取得了如 Segment Anything Model 等进展，但现有的交互式分割方法仍存在效率低下和缺乏专业化的问题。这些方法高度依赖大量准确的手动或随机采样提示进行交互，需经过大量提示和迭代才能实现满意的性能。为此，本文提出一种基于证据不确定性估计的交互式分割范式——证据不确定性引导的交互式分割（EUGIS），这是一种面向超声图像分割的端到端高效层级化交互式分割方法。具体而言，EUGIS 利用基于证据的不确定性估计技术，依据达曼-夏尔 theory 和主观逻辑，衡量模型对不同区域预测的不确定性水平。通过优先采样高不确定性区域，本方法能够有效模拟经验证trained 放射科医师的交互行为，增强采样针对性，同时减少所需的提示数量和迭代次数。此外，本文提出一种可训练的校准机制，用于不确定性估计，可进一步优化确定性与不确定性之间的边界，从而提升不确定性估计的信心水平。
引用
@article{arxiv.2501.01072,
title = {Evidential Calibrated Uncertainty-Guided Interactive Segmentation paradigm for Ultrasound Images},
author = {Jiang Shang and Yuanmeng Wu and Xiaoxiang Han and Xi Chen and Qi Zhang},
journal= {arXiv preprint arXiv:2501.01072},
year = {2025}
}