利用逻辑张量网络在医学语义分割中融合背景知识
计算机视觉与模式识别
2025-12-18 v1 机器学习
摘要
语义分割是医学图像分析中的一项基本任务，通过帮助放射科医生区分图像中的物体来辅助医疗决策。该领域的研究一直由深度学习应用驱动，即使在存在噪声和伪影的情况下，这些应用也有望扩展这些系统的规模。然而，这些系统尚未完善。我们认为，通过将常见的医学知识融入分割模型的损失函数中，可以提高性能。为此，我们引入逻辑张量网络（LTNs），利用一阶逻辑（FOL）规则编码医学背景知识。编码的规则涵盖从生成分割的形状约束到不同分割区域之间的关系。我们将 LTNs 应用于一个端到端框架中，该框架使用 SwinUNETR 进行语义分割。我们在脑部 MRI 扫描中分割海马体的任务上评估了我们的方法。我们的实验表明，LTNs 提高了基线分割性能，尤其是在训练数据稀缺时。尽管处于初步阶段，我们认为神经符号方法具有足够的通用性，可以适应并应用于其他医学语义分割任务。
引用
@article{arxiv.2509.22399,
title = {Integrating Background Knowledge in Medical Semantic Segmentation with Logic Tensor Networks},
author = {Luca Bergamin and Giovanna Maria Dimitri and Fabio Aiolli},
journal= {arXiv preprint arXiv:2509.22399},
year = {2025}
}
备注
Accepted at TAIM@IJCNN 2025