SegWithU：基于单次前向传播的医学图像分割风险感知不确定性
计算机视觉与模式识别
2026-04-21 v2 人工智能
机器学习
摘要
可靠的不确定性估计对医学图像分割至关重要，因为自动生成的轮廓将用于下游量化和临床决策支持。许多强大的不确定性方法需要多次推理，而高效的单次前向传播方法往往提供较弱的失败排序或依赖于限制性的特征空间假设。我们提出了 ，这是一种后处理框架，通过为冻结的预训练分割主干网络添加轻量级不确定性头来实现分割。SegWithU 利用中间主干特征，并通过秩-1 后验探针在紧凑探针空间中将不确定性建模为扰动能量。它产生两个体素级不确定性图：一个面向校准的图用于概率调制，一个面向排序的图用于错误检测和选择性预测。在 ACDC、BraTS2024 和 LiTS 数据集上，SegWithU 是最强且最一致的单次前向传播基准，实现了 、 和 的 AUROC/AURC，同时保持分割质量。这些结果表明，基于扰动的不确定性建模是实现可靠性感知医学分割的有效且实用的途径。源代码可在 https://github.com/ProjectNeura/SegWithU 获取。
引用
@article{arxiv.2604.15271,
title = {SegWithU: Uncertainty as Perturbation Energy for Single-Forward-Pass Risk-Aware Medical Image Segmentation},
author = {Tianhao Fu and Austin Wang and Charles Chen and Roby Aldave-Garza and Yucheng Chen},
journal= {arXiv preprint arXiv:2604.15271},
year = {2026}
}