HUR-MACL: High-Uncertainty Region-Guided Multi-Architecture Collaborative Learning for Head and Neck Multi-Organ Segmentation
计算机视觉与模式识别
2026-01-09 v1 人工智能
摘要
头颈部危及器官的准确分割对放射治疗至关重要，然而深度学习模型在形状复杂的小型器官上常常失败。虽然结合不同模型的混合架构显示出潜力，但它们通常只是拼接特征，而未利用每个组件的独特优势。这会导致功能重叠且分割精度受限。为了解决这些问题，我们提出了一种用于头颈部多器官分割的高不确定性区域引导多架构协作学习（HUR-MACL）模型。该模型利用卷积神经网络自适应地识别高不确定性区域，并针对这些区域利用Vision Mamba和可变形CNN共同提高其分割精度。此外，我们提出了异构特征蒸馏损失，以促进两种架构在高不确定性区域之间的协作学习，从而进一步提升性能。我们的方法在两个公开数据集和一个私有数据集上取得了SOTA结果。
引用
@article{arxiv.2601.04607,
title = {HUR-MACL: High-Uncertainty Region-Guided Multi-Architecture Collaborative Learning for Head and Neck Multi-Organ Segmentation},
author = {Xiaoyu Liu and Siwen Wei and Linhao Qu and Mingyuan Pan and Chengsheng Zhang and Yonghong Shi and Zhijian Song},
journal= {arXiv preprint arXiv:2601.04607},
year = {2026}
}