MambaEviScrib: Mamba与证据引导的一致性增强CNN鲁棒性用于基于涂鸦的弱监督超声图像分割
图像与视频处理
2025-08-11 v3 计算机视觉与模式识别
摘要
从超声图像中分割解剖结构和病变有助于疾病评估。基于稀疏标注的弱监督学习(WSL)已取得令人鼓舞的性能，并展现出降低标注成本的潜力。本研究尝试将基于涂鸦的WSL引入超声图像分割任务。然而，超声图像通常存在对比度差、边缘不清晰的问题，加之边缘监督信号不足，给边缘预测带来了挑战。不确定性建模已被证明有助于模型处理这些问题。然而，现有的不确定性估计范式不够鲁棒，且常常过滤掉决策边界附近的预测，导致边缘预测不稳定。因此，我们提出有效利用决策边界附近的预测。具体而言，我们引入证据的Dempster-Shafer理论(DST)来设计一种证据引导的一致性策略。该策略利用高证据预测（更可能出现在高密度区域附近）来指导可能出现在决策边界附近的低证据预测的优化。此外，超声图像中病变的大小和位置多样，对具有局部感受野的CNN构成了挑战，使其难以建模全局信息。因此，我们引入了基于结构化状态空间序列模型的Visual Mamba，它以线性计算复杂度实现长程依赖，并构建了一个新颖的CNN-Mamba混合框架。在训练过程中，所提框架中CNN分支与Mamba分支之间的协作基于EGC策略相互借鉴。实验证明了所提方法的竞争力。数据集和代码将在https://github.com/GtLinyer/MambaEviScrib上提供。
引用
@article{arxiv.2409.19370,
title = {MambaEviScrib: Mamba and Evidence-Guided Consistency Enhance CNN Robustness for Scribble-Based Weakly Supervised Ultrasound Image Segmentation},
author = {Xiaoxiang Han and Xinyu Li and Jiang Shang and Yiman Liu and Keyan Chen and Shugong Xu and Qiaohong Liu and Qi Zhang},
journal= {arXiv preprint arXiv:2409.19370},
year = {2025}
}
备注
Accepted by Information Fusion