基于PCA增强的概率U-Net用于有效的模糊医学图像分割
计算机视觉与模式识别
2026-03-16 v2
摘要
模糊医学图像分割（AMIS）旨在解决图像模糊性、噪声以及主观标注导致的固有不确定性挑战。现有的基于条件变分自编码器（cVAE）的方法有效地捕获了不确定性，但面临高维潜在空间中的冗余以及单一后验网络表达力有限的局限。为克服这些问题，我们引入一种新的PCA增强概率U-Net（PEP U-Net）。该方法有效地在后验网络中采用主成分分析（PCA）进行降维，以缓解冗余并提高计算效率。此外，我们进一步采用反向PCA操作来重建关键信息，增强潜在空间的表示能力。与传统生成模型相比，我们的方法保留了生成多样化分割假设的能力，同时实现了分割准确性与预测变动性之间的卓越平衡，从而推动了医学图像分割中生成式建模的性能。
引用
@article{arxiv.2603.11550,
title = {PCA-Enhanced Probabilistic U-Net for Effective Ambiguous Medical Image Segmentation},
author = {Xiangyu Li and Chenglin Wang and Qiantong Shen and Fanding Li and Wei Wang and Kuanquan Wang and Yi Shen and Baochun Zhao and Gongning Luo},
journal= {arXiv preprint arXiv:2603.11550},
year = {2026}
}