基于不确定性的心脏彈性磁共振语义分割集成学习
计算机视觉与模式识别
2026-04-14 v3
摘要
现有方法从心脏赛季序列的心肌语义分割中推导临床功能指标。虽然在整体分割方面表现良好,但在末端切片方面仍存在挑战。为此,我们从分割方差中提取全局不确定性,并将其用于我们提出的Streaming集成学习方法中对分类器进行加权,在整体和末端切片性能之间进行平衡。我们引入末端系数（End Coefficient, EC）以量化末端切片的准确性。在ACDC和M\&Ms数据集上的实验表明,我们的框架在接近最先进的Dice相似系数（Dice Similarity Coefficient, DSC）方面取得优异成绩，并在末端切片性能上超越了所有模型，显著提高了患者特定的分割准确性。我们已在https://github.com/LEw1sin/Uncertainty-Ensemble上开源代码。
引用
@article{arxiv.2502.09269,
title = {Uncertainty-Based Ensemble Learning in CMR Semantic Segmentation},
author = {Yiwei Liu and Liang Zhong and Lingyi Wen and Yuankai Wu},
journal= {arXiv preprint arXiv:2502.09269},
year = {2026}
}