基于不确定性感知的扩散模型与强化学习用于3D超声腹部畸形的平面局部分析
计算机视觉与模式识别
2025-09-12 v2 人工智能
机器学习
摘要
先天子宫畸形（CUAs）可导致不孕、流产、早产以及孕期并发症风险增加。相较于传统2D超声（US），3D US可重建腹横断面，为准确评估CUAs提供清晰的子宫形态可视化。本文提出一种智能系统，用于同时自动平面定位和CUA诊断。我们的主要贡献包括：1）开发一种采用局部（平面）和全局（体积/文本）指导的去噪扩散模型，采用自适应加权策略优化注意力在不同条件下的分配；2）引入基于无监督奖励的强化学习框架，从冗余序列中提取关键切片概览，充分整合多个平面间的信息以降低学习难度；3）提供面向粗糙预测的文本驱动不确定性建模，并利用其调整分类概率以提升整体性能。在大型3D子宫US数据集上的广泛实验表明，我们的方法在平面定位和CUA诊断方面均表现有效。代码已公开：https://github.com/yuhoo0302/CUA-US
引用
@article{arxiv.2506.23538,
title = {Uncertainty-aware Diffusion and Reinforcement Learning for Joint Plane Localization and Anomaly Diagnosis in 3D Ultrasound},
author = {Yuhao Huang and Yueyue Xu and Haoran Dou and Jiaxiao Deng and Xin Yang and Hongyu Zheng and Dong Ni},
journal= {arXiv preprint arXiv:2506.23538},
year = {2025}
}
备注
Accepted by MICCAI 2025;10 pages, 3 figures