渐进式不确定性引导的证据U-KAN用于可信医学图像分割
图像与视频处理
2025-10-13 v1 计算机视觉与模式识别
摘要
可信医学图像分割旨在为临床决策提供准确可靠的结果。大多数现有方法采用证据深度学习（EDL）范式，因其计算效率和理论鲁棒性。然而，基于EDL的方法往往忽视利用富含注意力线索的不确定性图来细化模糊边界分割。为解决此问题，我们提出渐进式证据不确定性引导注意力（PEUA）机制，引导模型聚焦于困难区域的特征表示学习。与传统方法不同，PEUA通过不确定性图渐进式细化注意力，同时采用低秩学习去噪注意力权重，增强对挑战性区域的特征学习。与此同时，标准EDL方法通过Kullback-Leibler（KL）正则化无差别地抑制错误类别的证据，损害了模糊区域的不确定性评估，进而扭曲了相应的注意力引导。因此，我们引入语义保持证据学习（SAEL）策略，集成语义平滑证据生成器和保真度增强正则化项以保留关键语义。最后，通过将PEUA和SAEL嵌入最先进的U-KAN，我们提出了Evidential U-KAN——一种用于可信医学图像分割的新方案。在4个数据集上的广泛实验证明了该方法在准确性和可靠性方面优于竞争方法。代码可在\href{https://anonymous.4open.science/r/Evidence-U-KAN-BBE8}{github}获取。
引用
@article{arxiv.2510.08949,
title = {Progressive Uncertainty-Guided Evidential U-KAN for Trustworthy Medical Image Segmentation},
author = {Zhen Yang and Yansong Ma and Lei Chen},
journal= {arXiv preprint arXiv:2510.08949},
year = {2025}
}