L-FUSION: 拉普拉斯胎儿超声分割与不确定性估计

产前超声（US）的准确分析对于早期发现发育异常至关重要。然而，操作者依赖性和技术限制（例如内在伪影和效应、设置错误）可能会使图像解释和诊断不确定性评估变得复杂。我们提出了L-FUSION（带集成基础模型的拉普拉斯胎儿超声分割），这是一个通过无监督、规范性学习和大规模基础模型集成不确定性量化的框架，用于在正常和病理扫描中稳健地分割胎儿结构。我们提出利用随机分割网络的认知不确定性逻辑分布和带有快速Hessian估计的拉普拉斯近似，仅从分割头估计认知不确定性。这使我们能够实现可靠的异常量化，以提供即时诊断反馈。结合集成的Dropout组件，L-FUSION能够在超声成像中通过增强的不确定性图和分割反事实，可靠地将病灶与正常胎儿解剖结构区分开来。它改进了认知和偶然不确定性的解释，并消除了手动疾病标注的需要。在多个数据集上的评估表明，L-FUSION实现了卓越的分割精度和一致的不确定性量化，支持现场决策，并为推进临床环境中的胎儿超声分析提供了可扩展的解决方案。