基于方差惩罚的 MC-Dropout 作为学习型平滑先验的脑肿瘤分割
计算机视觉与模式识别
2026-01-15 v1
摘要
脑肿瘤分割是诊断和治疗规划的关键任务，但许多基于 CNN 和 U-Net 的方法在肿瘤渗透区域产生噪声边界。我们引入了 UAMSA-UNet，一种不确定性感知的多尺度注意力基于贝叶斯的 U-Net 网络，取而代之使用蒙特卡罗 Dropout 来学习其预测上的数据驱动平滑先验，同时融合多尺度特征和注意力图以捕获细节和全局上下文。我们的平滑正则化损失将二元交叉熵增强为在随机前向传递过程中对方差的惩罚，以抑制不必要的波动并生成具有空间一致性的掩码。在 BraTS2023 上，UAMSA-UNet 在 Dice 相似系数上提高了最高 3.3%，平均 IoU 提升最高 2.7%；在 BraTS2024 上，Dice 提升最高 4.5%，IoU 提升最高 4.0%。值得注意的是，它相对于 U-Net++ 减少了 42.5% 的 FLOPs，同时保持更高的准确率。这些结果表明，通过结合多尺度注意力和学习型平滑先验，UAMSA-UNet 实现了更好的分割质量和计算效率，为未来集成基于转换器的模块以进一步提升分割结果提供了灵活的基础。
引用
@article{arxiv.2601.08956,
title = {Variance-Penalized MC-Dropout as a Learned Smoothing Prior for Brain Tumour Segmentation},
author = {Satyaki Roy Chowdhury and Golrokh Mirzaei},
journal= {arXiv preprint arXiv:2601.08956},
year = {2026}
}
备注
Accepted by ISBI 2026