基于原理的不确定性监督：医学图像分割中可解释性不确定性
计算机视觉与模式识别
2026-05-13 v1
摘要
不确定性量化通过刻画预测可靠性来补充模型输出，这对于医学图像分割等高风险决策至关重要。然而，大多数现有方法将不确定性简化为标量置信度估计，导致其空间分布在语义上受到约束不足。本文聚焦于不确定性可解释性，即估计的不确定性是否以人类可理解的方式响应于歧义来源。我们识别了三项感知对齐的原理，要求不确定性的空间分布反映：（1）结构之间的图像对比度；（2）图像损坏的严重程度；（3）解剖结构的几何复杂性。基于证据学习，我们发展了基于原理的不确定性监督框架（PriUS），在训练期间显式强制相应的监督目标。我们进一步引入量化指标来衡量预测不确定性与引发歧义的图像属性之间的一致性。在ACDC、ISIC和WHS数据集上的实验表明，与当前最先进的方法相比，PriUS产生了更一致的不确定性估计，同时保持了竞争的分割性能。
引用
@article{arxiv.2605.10984,
title = {Principle-Guided Supervision for Interpretable Uncertainty in Medical Image Segmentation},
author = {An Sui and Yuzhu Li and Gunter Schumann and Fuping Wu and Xiahai Zhuang},
journal= {arXiv preprint arXiv:2605.10984},
year = {2026}
}
备注
14 pages, 8 figures