面向域迁移情境下的可靠白质高信号区分割：基于最大熵正则化提升不确定性估计的应用研究
图像与视频处理
2025-06-18 v1 计算机视觉与模式识别
摘要
准确分割白质高信号区（WMH）对于临床决策至关重要，尤其是在多发性硬化的背景下。然而，域迁移问题（如MRI机器类型或获取参数的差异）对模型校准和不确定性估计构成重大挑战。本研究提出最大熵正则化技术，以增强模型校准和不确定性估计，旨在通过预测不确定性作为无需真实标签的代理指标，识别部署后出现的错误。为此，我们采用U-Net架构进行实验，评估这些正则化方案在两个公开数据集上的表现，综合使用Dice系数、预期校准误差（ECE）和熵基不确定性估计。结果表明，熵基不确定性估计能够预判分割错误，最大熵正则化进一步加强了不确定性与分割性能之间的相关性，同时在域迁移条件下提升了模型校准效果。
引用
@article{arxiv.2506.14497,
title = {Towards Reliable WMH Segmentation under Domain Shift: An Application Study using Maximum Entropy Regularization to Improve Uncertainty Estimation},
author = {Franco Matzkin and Agostina Larrazabal and Diego H Milone and Jose Dolz and Enzo Ferrante},
journal= {arXiv preprint arXiv:2506.14497},
year = {2025}
}
备注
32 pages, 7 figures