UHR-Net：一种用于医学图像分割的不确定性感知超图细化网络
计算机视觉与模式识别
2026-05-01 v1
摘要
精确的病变分割对于临床诊断和治疗规划至关重要。然而，病变通常与周围组织相似且边界不清，导致边界/过渡区域的预测不稳定。此外，小病变的线索可能被多尺度特征提取所稀释，造成欠分割或过分割。为解决这些挑战，我们提出了一种不确定性感知超图细化网络（UHR-Net）。首先，我们引入了一种面向不确定性的实例对比（UO-IC）预训练策略，该策略将几何感知的复制粘贴增强与对类病变背景区域的难负样本挖掘相结合，以提高对小样本和视觉模糊病变的实例级判别能力。其次，我们设计了一个不确定性引导的超图细化（UGHR）模块，该模块从粗概率图中导出基于熵的不确定性图，以指导超图细化。通过将超边原型分为前景和背景组，UGHR 解耦了高阶交互，并改善了模糊区域的细化。在五个公共基准上的实验表明，与强基线相比，性能持续提升。代码见：https://github.com/CUGfreshman/UHR-Net。
引用
@article{arxiv.2604.28095,
title = {UHR-Net: An Uncertainty-Aware Hypergraph Refinement Network for Medical Image Segmentation},
author = {Shuokun Cheng and Jinghao Shi and Kun Sun},
journal= {arXiv preprint arXiv:2604.28095},
year = {2026}
}
备注
8 pages, 4 figures, 7 tables