基于不确定性引导的结构化推断中保守性传播：血管分割
计算机视觉与模式识别
2026-05-21 v1
摘要
准确的血管分割是医学图像分析中的关键挑战，因复合血管模式和成像模糊性而具备挑战性。大多数深度模型依赖单次预测，限制了其在推断期间对不确定或不连续区域进行细化的能力。为此，我们提出不确定性引导的保守性传播（UGCP），这是一种可用于血管分割的通用插件模块。UGCP 不直接将单次输出作为最终预测，而是通过局部预测相互作用进行少量 logit 空间更新步骤，以细化分割。预测不确定性引导可靠区域支持模糊区域，而结构感知调制和基于源的稳定化减少不可靠的传播和过度漂移。该模块可微分，可与不同分割网络端到端训练。我们在四个公开血管分割数据集上评估了 UGCP，涵盖 2D 和 3D 任务，包括视网膜血管、冠状动脉和脑血管分割。使用基于卷积神经网络和基于 Transformer 的 backbone 进行实验，显示在 Dice 相似系数、中心线 Dice 和 95 百分位 Hausdorff 距离等指标上均实现一致改进。进一步分析表明，UGCP 减少了血管不连续现象，在有限额外计算开销下提高了结构一致性。该代码将在 https://github.com/chenzhao2023/UGC_PR 上公开。
引用
@article{arxiv.2605.20543,
title = {Uncertainty-Guided Conservative Propagation for Structured Inference in Vessel Segmentation},
author = {Huan Huang and Michele Esposito and Chen Zhao},
journal= {arXiv preprint arXiv:2605.20543},
year = {2026}
}
备注
Pattern Recognition submission. 35 pages, 6 figures