临床照片中白癜风分割的不确定性感知域自适应方法
计算机视觉与模式识别
2025-12-15 v1
摘要
准确量化常规临床照片中白癜风的面积对于治疗反应的纵向监测至关重要。我们提出了一种可信赖的、频率感知的分割框架，由三个协同支柱构成：(1) 一种数据高效的训练策略，结合在 ISIC 2019 数据集上的域自适应预训练以及 ROI 约束的双任务损失以抑制背景噪声；(2) 通过 ConvNeXt V2 编码器的架构改进，增强了新型高频谱门控（HFSG）模块和 stem-skip 连接以捕捉细微纹理；(3) 一种临床信任机制，采用 K 折集成和测试时增强（TTA）来生成逐像素不确定性图。在专家标注的临床队列上的广泛验证展示了优越性能，Dice 分数达到 85.05%，显著降低了边界误差（95% Hausdorff 距离从 44.79 px 改善至 29.95 px），持续优于强 CNN（ResNet-50 和 UNet++）和 Transformer（MiT-B5）基线。值得注意的是，我们的框架展示了高可靠性，零灾难性失败，并提供可解释的信息熵图以识别供临床医生审查的模糊区域。我们的方法表明，所提出的框架为自动化白癜风评估建立了稳健可靠的标准。
引用
@article{arxiv.2512.11791,
title = {Uncertainty-Aware Domain Adaptation for Vitiligo Segmentation in Clinical Photographs},
author = {Wentao Jiang and Vamsi Varra and Caitlin Perez-Stable and Harrison Zhu and Meredith Apicella and Nicole Nyamongo},
journal= {arXiv preprint arXiv:2512.11791},
year = {2025}
}