帕累托引导的医学图像不确定性感知分割优化
计算机视觉与模式识别
2026-02-25 v2
摘要
医学图像分割中的不确定性本质上是非均匀的,边界区域表现出比内部区域高得多的模糊性。传统训练对所有像素一视同仁,导致在早期epoch预测不可靠时优化不稳定。我们认为这种不稳定性阻碍了向帕累托最优解的收敛,并提出了一种区域级课程策略,该策略优先从确定区域学习,并逐步纳入不确定区域,从而减少梯度方差。在方法论上,我们引入了一种帕累托一致损失,通过自适应地重塑损失景观并约束内部区域和边界区域之间的收敛动态,来平衡区域不确定性之间的权衡;这引导模型趋向帕累托近似解。为了解决边界模糊性,我们进一步开发了一种模糊标签机制,该机制在非边界区域保持二元置信度,同时在边界附近实现平滑过渡,稳定梯度,并扩展损失曲面中的平坦区域。在脑转移瘤和非转移性肿瘤分割上的实验表明,我们的方法在多种配置下都有一致的改进,在所有肿瘤子区域都优于传统的清晰集方法。
引用
@article{arxiv.2601.19365,
title = {Pareto-Guided Optimization for Uncertainty-Aware Medical Image Segmentation},
author = {Jinming Zhang and Youpeng Yang and Xi Yang and Haosen Shi and Yuyao Yan and Qiufeng Wang and Guangliang Cheng and Kaizhu Huang},
journal= {arXiv preprint arXiv:2601.19365},
year = {2026}
}